Maria OUSSADI

– Processing des modèles 3D issues des scans 3D : traitement des maillages (mesh) et des textures UV. – Intégration de solutions de computer vision pour optimiser les workflows de production. – Création de simulations 3D sous Unity et Unreal Engine pour présenter les lieux scannés sous forme d'expériences immersives ou interactives. – Réalisation d'un état de l'art des méthodes de Gaussian Splatting et de rendu par champs neuronaux (neural fields), couvrant le relighting, le 4D Gaussian Splatting (représentation de scènes dynamiques/volumétriques) et les stratégies d'optimisation. – Application des résultats à des cas d'usage concrets : patrimoine culturel, architecture et production audiovisuelle.

– Conception et développement d'un pipeline complet d'extraction de descripteurs géométriques sur nuages de points et maillages 3D (CGAL, PCL) : barycentre, surface, courbure, rugosité locale, convexité. – Extraction et analyse de caractéristiques de surface (rugosité, courbure, convexité) en vue d'une classification morphologique des météorites. – Établissement de corrélations entre morphologie externe et conditions d'origine/formation (différenciation planétaire, ablation atmosphérique). – Rédaction d'un article scientifique présentant la méthodologie et les résultats.

– Conception et animation d'une feuille de route structurée en deep learning pour les étudiants universitaires. – Animation d'ateliers pratiques : réseaux de neurones, rétropropagation, optimisation, classification d'images avec TensorFlow. – Organisation et animation d'un hackathon IA orienté santé : conception des sujets et des défis à partir de cas d'usage médicaux réels. – Mentorat et supervision des équipes participantes tout au long de l'événement.

– Construction et Développement d'un modèle SE-ResNet optimisé pour des facteurs d'agrandissement x2, x3 et x4, surpassant les performances de DRDN, EDSR et SRGAN. – Entraînement sur les datasets DIV2K, Urban100 et Set5 avec augmentation de données. – Évaluation quantitative via les métriques PSNR, SSIM et MAE. – Intégration du modèle dans une plateforme web interactive (upload, choix du facteur d'échelle, sur/sous-échantillonnage).