Méthode de Monte-Carlo et images numériques
Code Formation: 7301
| Ajouter aux favorisCompétence principale visée
Appliquer les méthodes de Monte-Carlo pour le rendu réaliste d’images numériques en maîtrisant les caractéristiques et la qualité des échantillonneurs.Objectifs pédagogiques
- Comprendre les principes fondamentaux de l'intégration de Monte-Carlo et des techniques de réduction de variance.
- Analyser et comparer la qualité des échantillonneurs à l'aide d'outils de mesure adaptés.
- Mettre en œuvre les méthodes de Monte-Carlo dans un contexte de rendu réaliste et d'imagerie numérique
Public
- Chefs de projet
- Ingénieurs informaticiens
- Mathématiciens
Prérequis
- Notions générales équivalentes à un niveau d'études Bac + 5
- Notions générales en programmation C++
PARTIE 1 - INTEGRATION DE MONTE CARLO
- Principes généraux
- Tradeoff biais-variance,
- Estimateurs : moyenne, ratio...
PARTIE 2 - REDUCTION DE VARIANCE
- Échantillonnage par importance, changement de variable
- Multiple Importance Sampling
- Variables de contrôle
PARTIE 3 - UNIFORMITE DES ECHANTILLONNEURS
- Mesures d'uniformité : Discrépances (->Quasi Monte Carlo), Transport optimal
- Stratification, Latin hypercube, (t, m, s)-net
- Spectre des échantillonneurs
- PCF, distance minimale entre points
- Inégalités correspondantes (Koksma Hlavka, Kantorovich Rubinstein, spectre)
PARTIE 4 - ECHANTILLONNEURS : PROPRIETES DESISABLES
- Uniformité
- Séquence / point set
- Aliasing
- Vitesse, haute dimension/malédiction de la dimensionalité
PARTIE 5 - ECHANTILLONNEURS
- RNG
- Aléatoire, antithétique, jittered
- Poisson Disk, Maximized Minimal Distance Sampler, bruit bleu (BNOT…)
- Rank-1
- Halton, Sobol/Owen, Hammersley, …
- Pavages
PARTIE 6 - TP UTK
- Maîtrise d'outils de calcul de discrépance, spectres, OT etc.
PARTIE 7 - MONTE CARLO POUR LE RENDU
- Equation du rendu
- Dimensions - filtre image, direct/indirect, motion blur, spectre…
- Uniformité projective
PARTIE 8 - ECHANTILLONNAGE / INTEGRATION POUR LE RENDU
- Metropolis Hastings, Markov Chain Monte Carlo
- Roulette Russe, Splitting
- Échantillonnage screen space
- Multiple Importance Sampling pour le rendu, échantillonnage de mixtures
- Réutilisation d'échantillons (multi-vues, animations…)
- ReSTIR
- Denoising
- Gradient domain
PARTIE 9 - TP SUR LE RENDU
Evaluation des acquis de formation
Evaluation des acquis des apprenants réalisée en fin de formation, par un questionnaire ouvert contextualisé.Taux de réussite
90.5% des apprenants ont acquis la compétence principale visée
Résultat obtenu pour 155 participants évalués ayant suivi une formation dans la thématique sur les 5 dernières années
Évaluation de la satisfaction
Evaluation du ressenti des participants en fin de formation (Niveau 1 KIRKPATRICK)
Résultats de l’évaluation
Le niveau de satisfaction globale est évalué à 4.3/5 par les participants.
Evaluations réalisées auprès des 192 participants ayant suivi une formation dans la thématique sur les 5 dernières années