CEASaclayNon précisé
En tant que stagiaire au CEA, vous aurez l'opportunité de travailler au sein d'un environnement de recherche de renommée mondiale. Nos équipes sont composées d'experts passionnés et dédiés, offrant un cadre propice à l'apprentissage et à la collaboration. Vous aurez accès à des équipements de pointe et à des ressources de recherche de premier ordre pour mener à bien vos missions.
Qu’attendons-nous de vous ?
La création de maquettes 3D numériques d’objets réels est cruciale pour la transition numérique, alimentant des jumeaux numériques et des datasets pour l’apprentissage. La création manuelle étant coûteuse, des méthodes automatiques se développent. Les matériels de capture sont devenus accessibles et légers, et les procédures d’acquisition se sont simplifiées. Les méthodes de reconstruction, comme les NeRFs [1] et les 3D Gaussian Splatting [2], ont progressé, offrant un réalisme inédit et des visualisations interactives. Cependant, ces méthodes capturent des scènes d’un seul bloc, limitant les interactions. Une thèse dont l’objectif est de développer un procédé pour générer automatiquement des maquettes numériques interactives à partir de photos ou vidéos a démarré en octobre 2026 et le CEA en est un des co-encadrants. Les travaux portent sur la séparation de l’objet à reconstruire par rapport à son environnement, puis à sa segmentation en sous-parties, la détermination de sa cinématique et de ses caractéristiques physiques. L’étude se concentre sur des objets solides, poly-articulés et non déformables, privilégiant les représentations de type BRep pour les objets industriels.
Le stagiaire viendra en appui à la thèse, travailler sur ces différents sujets. Il pourra acquérir et reconstruire des données, tester des modèles IA disponibles et mesurer leurs performances ainsi que leurs limites, participer à l’état de l’art et potentiellement à la rédaction d’articles. Voir [3] et [4] pour des tentatives de réponses à la problématique.
[1] B. Mildenhall, P. P. Srinivasan, M. Tancik, J. T. Barron, R. Ramamoorthi, and R. Ng. Nerf: Representing scenes as neural radiance fields for view synthesis. In European Conference on Computer Vision (ECCV), 2020.
[2] Kerbl, B., Kopanas, G., Leimkuhler, T., Drettakis, G. (2023). 3d gaussian splatting for real-time radiance field rendering. ACM Transactions on Graphics (ToG), 42(4), 1-14.
[3] Mishra, P., Zurbrugg, R., Wilder-Smith, M., Hutter, M., Pollefeys, M., Bauer, Z., and Blum, H. (2026). ArtiTwinSplat: Interactable Digital Twin Reconstruction via Gaussian Splatting from RGB-D videos. arXiv preprint arXiv:2606.24628.
[4] Cao, Z., Chen, Z., Pan, L., and Liu, Z. (2026). Physx-3d: Physical-grounded 3d asset generation. Advances in Neural Information Processing Systems, 38, 93771-93784.
# Cea List
Moyens / Méthodes / Logiciels
Gaussian Splatting, CAO, maillages triangulaires, modèles IA, moteur physique, OpenUSD, Python, Git,
Profil du candidat
Bonne qualité rédactionnelle et de communication en français et anglais, rigueur dans l’analyse et la démarche.
Localisation du poste Site
Saclay
Localisation du poste
France, Ile-de-France, Essonne (91)
Ville
Saclay
Critères candidat Langues
Diplôme préparé
Bac+5
Formation recommandée
Ecole d'ingénieur, Master 2 recherche
Possibilité de poursuite en thèse
Oui
Demandeur Disponibilité du poste
01/03/2027