GenPhi : IA Générative 3D conditionnée par la géométrie, la structure et la physique // GenPhi : 3D Generative AI conditioned by geometry, structure and physics

L’objectif de la thèse est de concevoir de nouveaux générateurs de modèles 3D basés sur l’intelligence artificielle générative (IAG), capables de produire des formes fidèles, cohérentes et physiquement viables. Alors que la génération 3D est devenue essentielle dans de nombreux domaines, les approches actuelles de génération automatique souffrent de limites en termes de respect des contraintes géométriques, structurelles et physiques. L’objectif est de développer des méthodes permettant d’intégrer, dès la génération, des contraintes liées à la géométrie, à la topologie, à la structure interne, ainsi qu’aux lois physiques, tant stationnaires (équilibre, statique) que dynamiques (cinématique, déformation). L’étude combinera des approches de perception géométrique, d’enrichissement sémantique et de simulation physique afin de produire des modèles 3D robustes, réalistes et directement exploitables sans intervention humaine.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The aim of this thesis is to design new 3D model generators based on Generative Artificial Intelligence (GenAI), capable of producing faithful, coherent and physically viable shapes. While 3D generation has become essential in many fields, current automatic generation approaches suffer from limitations in terms of respecting geometric, structural and physical constraints. The goal is to develop methods for integrating constraints related to geometry, topology, internal structure and physical laws, both stationary (equilibrium, statics) and dynamic (kinematics, deformation), right from the generation stage. The study will combine geometric perception, semantic enrichment and physical simulation approaches to produce robust, realistic 3D models that can be directly exploited without human intervention.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département Intelligence Ambiante et Systèmes Interactifs (LIST)
Service : Service Intelligence Artificielle pour le Langage et la Vision
Laboratoire : Laboratoire Vision et Apprentissage pour l’analyse de scènes
Date de début souhaitée : 01-11-2025
Ecole doctorale : Sciences et Technologies de l’Information et de la Communication (STIC)
Directeur de thèse : PHAM Quoc Cuong
Organisme : CEA
Laboratoire : DRT/DIASI/SIALV/LVA
URL : https://kalisteo.cea.fr/

Public/private mixed funding

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département Intelligence Ambiante et Systèmes Interactifs (LIST)
Service : Service Intelligence Artificielle pour le Langage et la Vision

Master 2 Recherche et/ou un diplôme d’ingénieur en Informatique, Physique ou Apprentissage automatique