Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
La numérisation des objets archéologiques est une tâche importante pour la préservation et la transmission du patrimoine culturel, mais il est également indispensable de s’occuper du problème de leur restauration. Cependant, les processus de restauration physique traditionnels sont difficiles, coûteux et parfois risqués pour l’intégrité des vestiges eux-mêmes, en raison de mauvais choix de restauration par exemple. Pour éviter cela, il est intéressant de se tourner vers la restauration virtuelle, qui permet de tester des hypothèses de restauration, qui pourront être réalisées ultérieurement sur les vestiges réels. Dans ce contexte, notre objectif est de développer une nouvelle approche de restauration virtuelle de statues numérisées, fondée sur l'utilisation d'un modèle unifié gardant le lien avec la précision originale des scanners utilisés et permettant d'échafauder différentes hypothèses. Cette thèse présente un cadre pour compléter les parties manquantes de statues archéologiques représentant des personnages ou des animaux. Tout d'abord, nous proposons l'algorithme FAKIR qui permet de recaler un modèle anatomique articulé de type sphere-mesh sur un nuage de points résultant de la numérisation d’une statue, en découvrant conjointement les paramètres anatomiques utiles à l'étalonnage du modèle. Il s'agit en effet d'un problème d'optimisation pour lequel il est possible d'exploiter des hypothèses de recalage rigide par morceaux, tout en s’inspirant d'algorithmes de cinématique inverse. Nous avons également testé les capacités actuelles offertes par l’apprentissage profond pour le recalage de squelette 2D et 3D afin de comparer et de mieux positionner l’algorithme FAKIR. La comparaison étaye notre intuition que l’apprentissage effectué à partir des images ou des relevés de vrais modèles humains ne permet pas de détecter avec justesse le squelette d’une statue. De plus, l'approche de recalage FAKIR se généralise à des modèles non humanoïdes, pour lesquels on ne dispose généralement pas de base d’apprentissage. ...