projet-fin-etude-rapport/slides/slides.md
2023-08-25 16:00:20 +02:00

11 KiB

theme class coverAuthor coverBackgroundUrl coverBackgroundSource coverBackgroundSourceUrl coverDate themeConfig title
academic text-white Laurent Fainsin https://git.fainsin.bzh/ENSEEIHT/projet-fin-etude-rapport/media/branch/master/assets/aube.jpg Safran Media Library https://medialibrary.safran-group.com/Photos/media/179440 2023-09-07
paginationX paginationY paginationPagesDisabled
r t
1
Projet de fin d'étude

Projet de Fin d'Étude

Modèles génératifs pour la représentation latente d'aubes 3D sous forme de maillages non structurés


Sommaire

  • Présentation de Safran
  • Présentation du dataset
  • Modèles génératifs
  • Génération par diffusion
  • Résultats
  • Vérifications
  • Conclusion

Présentation (rapide) de Safran

Safran Media Library


Dataset Rotor37_1200


Modèles génératifs (traditionnels)


Modèles génératifs (deep learning)

Lilian Weng, 2021


Denoising Diffusion Probabilistic Model (DDPM)

arxiv:2006.11239, CVPR 2022 Diffusion Tutorial


Forward process


Reverse process


Latent Diffusion Model (LDM)

arxiv:2112.10752


Classifier-free Guidance (CFG)

Paweł Pierzchlewicz


Résultats


Gaussian Process (GP)

Distill


Vérification par Gaussian Process (GP)


Vérification par Gaussian Process (GP)


Vérification par Gaussian Process (GP)


Conclusion

Travail réalisé

  • Génération conditionnée d'aubes par diffusion

Axes d'amélioration

  • Remplacer la PCA par une méthode paramétrique
  • Travailler directement sur les CAOs