- Mots-clés
reconstruction 3D des arbres, LiDAR, traitement de nuages de points, apprentissage profond, génération procédurale
- Contexte
La reconstruction 3D constitue une tâche essentielle pour l’analyse urbaine et la production de jumeaux numériques à partir de données LiDAR. Si la reconstruction des bâtiments, notamment selon différents niveaux de détail (LoD), a été largement étudiée, la reconstruction des arbres demeure encore peu explorée. Pourtant, pour obtenir des jumeaux numériques réalistes, la modélisation précise de la végétation, et en particulier des arbres, est indispensable, mais reste aujourd’hui mal définie.
Dans les données LiDAR aériennes, les phénomènes d’occlusion sont fréquents : certaines parties des arbres ne sont pas observées, ce qui complique leur modélisation. Les méthodes procédurales ont montré leur efficacité sur des scans terrestres à haute densité, et l’augmentation de la densité des LiDAR aériens ouvre la voie à leur application à grande échelle. Parallèlement, avec les récents progrès de l’apprentissage profond, la combinaison entre méthodes procédurales et approches neuronales pour la reconstruction d’arbres représente une piste de recherche prometteuse.
Le jeu de données LiDARHD fournit des nuages de points denses et classifiés. Une reconstruction automatique des arbres à partir de ces données permettrait d’améliorer considérablement la rapidité et la qualité de la génération de jumeaux numériques. Cependant, les données d’apprentissage pour les modèles profonds de reconstruction d’arbres restent limitées, ce qui rend pertinent l’étude des performances des approches d’apprentissage profond dans des contextes à données restreintes.
- Introduction et objectifs
- État de l’art
La reconstruction 3D d’arbres est un sujet ancien mais encore loin d’être résolu [1]. Les approches procédurales, telles que les systèmes en L (L-systems) [9], ont été largement utilisées [7]. Pour estimer les paramètres procéduraux à partir de nuages de points, plusieurs méthodes ont été proposées, notamment les modèles de structure quantitative (QSM) [3, 11], des approches d’inversion paramétrique utilisant jusqu’à 24 paramètres [12], AdTree [2], ainsi que des méthodes géométriques d’extraction de structure[6]. Les méthodes procédurales ont également été appliquées à des jeux de données photogrammétriques[13] ou à la modélisation de grandes zones forestières [4].
Avec le développement de l’apprentissage profond, plusieurs approches hybrides combinant modèles procéduraux et réseaux de neurones ont vu le jour : L-systems et CNN [10], L-systems et R-CNN
[5], ou encore L-systems et transformeurs [8]. étant donné que de faibles variations de paramètres peuvent entrâıner de fortes différences dans les modèles procéduraux, certaines méthodes s’appuient
directement sur des réseaux neuronaux pour la reconstruction [14]. D’autres approches exploitent des modèles de classement neuronaux entrâınés sur des données synthétiques pour retrouver et assembler
les composants géométriques les plus adaptés [15].
- Objectifs
Le stage portera sur l’exploration des méthodes procédurales pour la reconstruction d’arbres à partir de données LiDAR aériennes, ainsi que sur leur combinaison avec des approches d’apprentissage profond afin d’améliorer la robustesse des paramètres. Le jeu de données LiDARHD servira de base principale aux expérimentations. En raison de la densité relativement faible des données aériennes, l’application directe de méthodes procédurales reste un défi.
La modélisation procédurale des arbres étant un domaine de recherche ancien, plusieurs implémentations open source sont disponibles, notamment les L-systems et les modèles de structure quantitative (QSM). Des méthodes combinant modélisation procédurale et apprentissage profond, ainsi que des approches entièrement neuronales de type end-to-end, seront étudiées afin d’en analyser les avantages et les limites.
Le stage comprendra une étude comparative des méthodes existantes sur le jeu de données LiDARHD. Ce dernier contenant des nuages de points classifiés, on y trouve aussi bien des arbres isolés que des arbres entremêlés dans des zones denses ; la reconstruction dans ces contextes complexes constitue un défi important. De l’arbre isolé à la forêt dense, la diversité des essences d’arbres sur l’ensemble du territoire français pose des difficultés supplémentaires pour les approches procédurales.
L’objectif final est de développer une méthode procédurale basée sur l’apprentissage profond afin d’améliorer la qualité de reconstruction sur le jeu de données LiDARHD. Si le temps le permet, un jeu de données de référence pourra être créé pour l’évaluation de la reconstruction d’arbres à partir de LiDARHD, et utilisé pour comparer les performances de différentes approches neuronales. La méthode proposée sera ensuite comparée aux approches d’apprentissage profond existantes sur ce jeu de données.
- Profil recherché
Formation Bac +5, avec une spécialisation en vision par ordinateur ou en photogrammétrie de préférence. Idéalement un premier stage en vision par ordinateur ou en photogrammétrie ou en robotique.
1 Notions de vision par ordinateur ou photogrammétrie
2 Connaissance en programmation de apprentissage profond
3 Expérience en développement informatique
- Atouts de l’environnement de travail
Durée du stage : 5 mois
Lieu: GéoData Paris (L’ENSG-Géomatique) se situe au cœur d’un campus universitaire verdoyant à 20 minutes de Paris (RER ligne A), la Cité Descartes.
Procédure de candidature
Sur le site de l’IGN en suivant Offres d’emploi sur et soumettre les documents suivants et envoyer un courrier aux contacts ci-dessous avec :
1 CV
2 Lettre de motivation
3 2 lettres de recommandation ou des contacts de personnes à contacter
4 Relevé de notes des deux dernières années d’études
5 Liste des cours suivis et validés au cours des deux dernières années
- Contact
Pour tout renseignement complémentaire :
Bruno VALLET, Directeur de recherche , LASTIG: bruno.vallet@ign.fr
Teng WU, Chargé de recherche, LASTIG : teng.wu@ign.fr
- Référence
[1] Jose L Cardenas, Carlos J Ogayar, Francisco R Feito, and Juan M Jurado. Modeling of the 3d tree skeleton using real-world data : a survey. IEEE Transactions on Visualization and Computer Graphics, 29(12) :4920–4935, 2022.
[2] Shenglan Du, Roderik Lindenbergh, Hugo Ledoux, Jantien Stoter, and Liangliang Nan. Adtree :Accurate, detailed, and automatic modelling of laser-scanned trees. Remote Sensing, 11(18) :2074, 2019.
[3] Guangpeng Fan, Liangliang Nan, Yanqi Dong, Xiaohui Su, and Feixiang Chen. Adqsm : A new method for estimating above-ground biomass from tls point clouds. Remote Sensing, 12(18) :3089, 2020.
[4] Guangpeng Fan, Zhenyu Xu, Jinhu Wang, Liangliang Nan, Huijie Xiao, Zhiming Xin, and Feixiang Chen. Plot-level reconstruction of 3d tree models for aboveground biomass estimation. Ecological Indicators, 142 :109211, 2022.
[5] Jianwei Guo, Haiyong Jiang, Bedrich Benes, Oliver Deussen, Xiaopeng Zhang, Dani Lischinski, and Hui Huang. Inverse procedural modeling of branching structures by inferring l-systems. ACM Transactions on Graphics (TOG), 39(5) :1–13, 2020.
[6] Shaojun Hu, Zhengrong Li, Zhiyi Zhang, Dongjian He, and Michael Wimmer. Efficient tree modeling from airborne lidar point clouds. Computers & Graphics, 67 :1–13, 2017.
[7] Stefan Kohek and Damjan Strnad. Interactive synthesis of self-organizing tree models on the gpu. Computing, 97(2) :145–169, 2015.
[8] Jae Joong Lee, Bosheng Li, and Bedrich Benes. Latent l-systems : Transformer-based tree generator. ACM Transactions on Graphics, 43(1) :1–16, 2023.
[9] Aristid Lindenmayer. Mathematical models for cellular interactions in development i. filaments with one-sided inputs. Journal of theoretical biology, 18(3) :280–299, 1968.
[10] Jannes S Magnusson, Anna Hilsmann, and Peter Eisert. Towards l-system captioning for tree reconstruction. arXiv preprint arXiv :2305.06483, 2023.
[11] Pasi Raumonen, Mikko Kaasalainen, Markku ˚Akerblom, Sanna Kaasalainen, Harri Kaartinen, Mikko Vastaranta, Markus Holopainen, Mathias Disney, and Philip Lewis. Fast automatic precision tree models from terrestrial laser scanner data. Remote Sensing, 5(2) :491–520, 2013.
[12] Ondrej Stava, Sören Pirk, Julian Kratt, Baoquan Chen, RadomirMech, Oliver Deussen, and Bedrich Benes. Inverse procedural modelling of trees. In Computer Graphics Forum, volume 33, pages 118–131. Wiley Online Library, 2014.
[13] Xuan Wang, Hanyu Xiang, Wenyuan Niu, Zhu Mao, Xianfeng Huang, and Fan Zhang. Oblique photogrammetry supporting procedural tree modeling in urban areas. ISPRS Journal of Photogrammetry and Remote Sensing, 200 :120–137, 2023.
[14] Jiabo Xu, Zhili Zhang, Xiangyun Hu, and Tao Ke. Accelerated forest modeling from tree canopy point clouds via deep learning. International Journal of Applied Earth Observation and Geoinformation, 132 :104074, 2024.
[15] Xiaochen Zhou, Bosheng Li, Bedrich Benes, Ayman Habib, Songlin Fei, Jinyuan Shao, and SörenPirk. Treestructor : Forest reconstruction with neural ranking. IEEE Transactions on Geoscienceand Remote Sensing, 63 :1–19, 2025.
