Description du sujet de thèse

La thèse vise à développer de nouvelles architectures de réseaux de neurones pour la génération de formes géometriques (données non euclidiennes) en s'appuyant sur des méthodes d'équations aux dérivées partielles et la théorie du transport optimal.

La synthèse des données constitue aujourd’hui un défi majeur dans la recherche en vision par ordinateur et en informatique graphique. Grace aux nouveaux modèles génératifs de diffusion, la synthèse d'images a atteint un haut niveau de réalisme, avec des images globalement cohérentes et des détails réalistes à haute fréquence. Les progrès dans la synthèse de formes ne sont pas avancés. Plusieurs raisons expliquent cet écart, la plus importante étant le fait que les formes sont des données non euclidiennes. Dans cette thèse nous nous intéresserons à développer de nouvelles approches pour les données non euclidiennes (formes géometriques par exemple, mais également données sous forme de graphe) en s'appuyant sur des modèles EDP.

Compétences scientifiques attendues:
- Formation en théorie des EDP et en calcul numérique
- C++ avancé, excellente maitrise de python et pytorch

Très bon niveau d'anglais exigé.

Contexte de travail

Le doctorat s'effectuera au LIRIS batiment Nautibus, dans l'équipe Origami, en interaction avec les membres des équipes du PEPR PDE-AI.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.