www.industrie-afrique-du-nord.com
15
'26
Written on Modified on
NEC et l'Université Keio développent une technologie rapide de modélisation 3D pilotée par l'IA
NEC Corporation a développé un système basé sur l'IA pour générer des modèles 3D détaillés en une minute à partir de séquences standard de smartphones en optimisant la densité des points.
www.nec.com
NEC Corporation, en collaboration avec le Keio AI Research Center, a développé une technologie qui utilise une intelligence artificielle propriétaire pour générer des modèles 3D hautement détaillés en seulement une minute. Le système fonctionne uniquement sur la base de séquences vidéo capturées avec des caméras à usage général, comme celles intégrées dans les smartphones, et supprime automatiquement les sujets transitoires ou inutiles du rendu final. La technologie est conçue pour répliquer précisément les conditions sur site sans nécessiter de matériel spécialisé coûteux ni perturber les environnements de travail actifs. NEC prévoit de commercialiser la technologie au cours de l'exercice fiscal 2027, en ciblant les applications de jumeaux numériques dans les secteurs des infrastructures, des services publics et de la construction.
Surmonter les contraintes vidéo et les obstacles de la modélisation spatiale
Les exploitants d'infrastructures modernes et les entreprises de construction partagent de plus en plus de flux vidéo en direct avec des superviseurs à distance afin de gérer la pénurie de main-d'œuvre et de minimiser les frais de déplacement pour les inspections. Cependant, l'enregistrement vidéo traditionnel permet difficilement aux équipes à distance d'isoler rapidement des points de vue spécifiques ou d'ajuster dynamiquement les angles pour inspecter des détails obscurs.
Bien que les jumeaux numériques basés sur des modèles 3D offrent une inspection à point de vue libre, leur adoption généralisée a été freinée par des obstacles techniques. Les méthodes standard de photogrammétrie et de balayage laser nécessitent des capteurs spécialisés coûteux, imposent d'interrompre les opérations sur site pendant le tournage pour éviter de capturer les travailleurs transitoires, et exigent des temps de traitement hors site considérables pour restituer le modèle final.
Pour résoudre ces goulots d'étranglement opérationnels, le projet collaboratif a associé le Gaussian Splatting — une technique de rendu spatial de plus en plus utilisée pour la génération d'arrière-plans dans le cinéma et l'animation — à un traitement par réseau neuronal personnalisé. Cette combinaison permet une reconstruction spatiale rapide et de haute fidélité à l'aide de caméras d'appareils mobiles sans interrompre les opérations en cours.
Optimisation spatiale et fonctionnalités de suppression d'objets
La technologie intègre deux innovations logicielles clés pour optimiser l'efficacité du traitement et garantir la précision du modèle :
- Analyse de la complexité visuelle et distribution adaptative des particules : Le système évalue automatiquement la complexité géométrique et visuelle de la vidéo source, image par image. Dans les zones complexes ou à forte texture, le logiciel regroupe de manière dense les particules gaussiennes 3D. Dans les régions simples ou uniformes, telles que les murs et les sols plats, la distribution des particules est considérablement éclaircie. Cette optimisation adaptative maintient l'intégralité des détails visuels tout en minimisant le nombre total de particules, réduisant ainsi la charge de calcul et diminuant les temps de génération de modèles de 90 % par rapport aux méthodes conventionnelles de Gaussian Splatting.
- Suppression des sujets transitoires et masquage d'arrière-plan (Inpainting) : Pendant le processus de reconstruction 3D, l'IA détecte et filtre automatiquement les sujets temporaires — tels que le personnel en mouvement, les véhicules et les matériaux transitoires. Pour éviter les vides dans la scène 3D finale, l'algorithme déduit et reconstitue les structures d'arrière-plan manquantes à partir des données spatiales environnantes. Cela produit un modèle 3D statique et dégagé représentant la configuration permanente de l'installation.
Les modèles 3D qui en résultent sont compatibles mit les ordinateurs ou tablettes ordinaires. Cela permet aux ingénieurs de terrain et aux coordinateurs à distance d'évaluer immédiatement les conditions du site, de mener des inspections virtuelles et d'accélérer la prise de décision lors d'anomalies opérationnelles.
Contexte supplémentaire
Cette section détaille des spécifications techniques non incluses dans le communiqué de presse original.
Les pipelines traditionnels de reconstruction 3D s'appuient sur la Structure-from-Motion (SfM) et la Multi-View Stereo (MVS) pour construire des maillages polygonaux denses, ce qui nécessite un temps de traitement substantiel. Le Gaussian Splatting accélère ce processus en représentant l'espace 3D comme une collection d'ellipsoïdes 3D continus et semi-transparents (gaussiennes) plutôt que comme des points polygonaux rigides et discrets. Chaque particule gaussienne est définie mathématiquement par sa position spatiale, son échelle, sa rotation, sa couleur et son opacité.
La plateforme de NEC et de l'Université Keio affine cette technique en intégrant un analyseur actif de complexité visuelle avant l'étape d'optimisation. Le splatting conventionnel distribue les particules uniformément à travers une scène et s'appuie sur un algorithme lent d'élagage et de division (pruning-and-splitting) pour affiner les détails.
En revanche, cette technologie utilise un algorithme de détection de contours et de cartographie des gradients de texture en temps réel pour estimer la fréquence spatiale localisée. Le système utilise ces cartes de densité pour allouer les graines gaussiennes initiales. Ce placement pré-optimisé permet au moteur neuronal de contourner les itérations de particules redondantes sur les surfaces planes. Il concentre la puissance de traitement du GPU uniquement sur les surfaces complexes, compressant l'ensemble de la séquence de rendu dans une enveloppe opérationnelle d'une minute.
Édité par Romila DSilva, éditrice d'Induportals, avec l'aide de l'IA.
Contexte supplémentaire
Cette section détaille des spécifications techniques non incluses dans le communiqué de presse original.
Les pipelines traditionnels de reconstruction 3D s'appuient sur la Structure-from-Motion (SfM) et la Multi-View Stereo (MVS) pour construire des maillages polygonaux denses, ce qui nécessite un temps de traitement substantiel. Le Gaussian Splatting accélère ce processus en représentant l'espace 3D comme une collection d'ellipsoïdes 3D continus et semi-transparents (gaussiennes) plutôt que comme des points polygonaux rigides et discrets. Chaque particule gaussienne est définie mathématiquement par sa position spatiale, son échelle, sa rotation, sa couleur et son opacité.
La plateforme de NEC et de l'Université Keio affine cette technique en intégrant un analyseur actif de complexité visuelle avant l'étape d'optimisation. Le splatting conventionnel distribue les particules uniformément à travers une scène et s'appuie sur un algorithme lent d'élagage et de division (pruning-and-splitting) pour affiner les détails.
En revanche, cette technologie utilise un algorithme de détection de contours et de cartographie des gradients de texture en temps réel pour estimer la fréquence spatiale localisée. Le système utilise ces cartes de densité pour allouer les graines gaussiennes initiales. Ce placement pré-optimisé permet au moteur neuronal de contourner les itérations de particules redondantes sur les surfaces planes. Il concentre la puissance de traitement du GPU uniquement sur les surfaces complexes, compressant l'ensemble de la séquence de rendu dans une enveloppe opérationnelle d'une minute.
Édité par Romila DSilva, éditrice d'Induportals, avec l'aide de l'IA.
