Spécification déclarative de l’ambiance d’une scène.

1. Spécification déclarative de l’ambiance d’une scène. Patrick Poulingeas Laboratoire MSI. Jeudi 18 novembre 2004. Présentation pour l’obtention du titre de docteur en informatique de l’Université de Limoges.

2. SOMMAIRE I. La notion d’ambiance et la modélisation déclarative 1. Introduction 2. Gestion de propriétés avec des sous-ensembles flous 3. Le concept d’ambiance II. L’éclairage inverse 4. L’éclairage inverse 5. Une méthode de Monte-Carlo pour l’éclairage inverse III. Traitement de l’aspect déclaratif et gestion des solutions 6. Gestion de l’aspect déclaratif de l’éclairage avec des CSP 7. Classification et représentation des scènes solutions 8. Conclusion

3. 1. Introduction • Les modeleurs ont fait d’énormes progrès ces dernières années en terme de fonctions mises à la disposition de l’utilisateur. • Cependant, ces fonctions reposent sur des modèles et des bases géométriques n’ayant pas évolué et difficiles à appréhender pour un non spécialiste.

4. 1. Introduction L’interface utilisateur est devenue complexe.

5. 1. Introduction • Il y a de plus un manque d’outils pour spécifier des propriétés de haut niveau. • L’utilisateur est souvent astreint à un long cycle d’essais-corrections pour parvenir à l’effet qu’il désire. • C’est notamment le cas quand l’on veut introduire une certaine ambiance dans une scène.

6. 1. Introduction • On a une problématique proche de celle de la modélisation déclarative. La modélisation déclarative (généraliste) permet de construire des esquisses de scènes à partir d’une spécification de haut niveau des propriétés de la scène.

7. SOMMAIRE 1. Introduction 2. Gestion de propriétés avec des sous-ensembles flous 3. Le concept d’ambiance 4. L’éclairage inverse 5. Une méthode de Monte-Carlo pour l’éclairage inverse 6. Gestion de l’aspect déclaratif de l’éclairage avec des CSP 7. Classification et représentation des scènes solutions 8. Conclusion

8. 2. Gestion de propriétés • Les sous-ensembles flous permettent de traiter une descriptionimprécise comme : « La hauteur de la table est grande » avec un degré de satisfaction. • Notion introduite par Desmontils en modélisation déclarative en 1995.

9. 2. Gestion de propriétés Exemple de fonction d’appartenance (de type L-R) associé à une propriété

10. 2. Gestion de propriétés • 2 types de propriétés de base: • Les propriétés simples comme : « La hauteur de neige est importante. » • Les propriétés paramétrées comme : « La hauteur de neige est de 1 m. » • Les fonctions associées aux propriétés peuvent accepter des modificateurs permettant de fabriquer de nouvelles propriétés.

11. 2. Gestion de propriétés • Travaux de Desmontils : • Modificateurs (« très », « assez peu », etc.) • Opérateurs flous (« vaguement », « exactement », etc.) • Notre apport : la gestion de l’incertitude dans une description. Exemple : « Il est plutôt certain que le temps est orageux. »

12. 2. Gestion de propriétés Application à l’aspect brumeux d’un paysage « La limite de visibilité est de 70m. » « La limite de visibilité est exactement de 70m. »

13. 2. Gestion de propriétés Traitement de l’éclairage naturel d’un paysage (à partir d’un concept de Siret) « en milieu de journée » « en milieu de l’après-midi »

14. SOMMAIRE 1. Introduction 2. Gestion de propriétés avec des sous-ensembles flous 3. Le concept d’ambiance 4. L’éclairage inverse 5. Une méthode de Monte-Carlo pour l’éclairage inverse 6. Gestion de l’aspect déclaratif de l’éclairage avec des CSP 7. Classification et représentation des scènes solutions 8. Conclusion

15. 3. Le concept d’ambiance • Trois niveaux : • Niveau proche des données physiques (Exemple : « brumeux ») • Niveau intermédiaire (Exemple : « clarté ») • Niveau sémantique complexe (Exemple : « gaieté ») • Peut-on passer du niveau sémantique au niveau physique, ou y a-t-il des phénomènes d’émergence empêchant cela ?

16. 3. Le concept d’ambiance • Une ambiance globale résulte de la synthèse entre l’ambiance se dégageant des objets de la scène et des autres données physiques de la scène (la lumière, le brouillard, etc.). • La création d’une ambiance est ainsi un processus virtuellement sans fin où la modification d’un paramètre amène la modification d’un autre, etc.

17. 3. Le concept d’ambiance • Les objets de la scène sont porteurs d’une ambiance intrinsèque. • Introduire des éléments (comme des sources de lumière) dans le but de créer une ambiance incompatible avec celle des objets aboutit à une scène incohérente. • Conclusion : On ne peut que renforcer ou atténuer l’ambiance préexistante si l’on ne modifie pas la géométrie de la scène.

18. 3. Le concept d’ambiance • L’éclairage est un des éléments fondamentaux de l’ambiance d’une scène. • Nous nous sommes limités à l’étude de celui-ci dans le reste de nos travaux. • Le problème abordé est donc celui de l’éclairage inverse.

19. SOMMAIRE 1. Introduction 2. Gestion de propriétés avec des sous-ensembles flous 3. Le concept d’ambiance 4. L’éclairage inverse 5. Une méthode de Monte-Carlo pour l’éclairage inverse 6. Gestion de l’aspect déclaratif de l’éclairage avec des CSP 7. Classification et représentation des scènes solutions 8. Conclusion

20. 4. L’éclairage inverse • Les données : • La géométrie des éléments de la scène, • Les propriétés des matériaux, • L’éclairage voulu pour certains éléments de la scène. La problématique de l’éclairage inverse • Les calculs : • Les positions possibles des sources lumineuses, • Les propriétés possibles des sources lumineuses. • Les résultats : • Les scènes obtenues avec les sources lumineuses trouvées.

21. 4. L’éclairage inverse Les techniques employées par les spécialistes de l’éclairage. Key light + fill light + back light Image de Kahrs

22. 4. L’éclairage inverse • Paramètres fondamentaux des problèmes d’éclairage inverse : • La nature de l’éclairage (direct ou global) • Le modèle d’éclairement (Phong, radiosité, calcul de la radiance, etc.) • Les contraintes a priori sur les sources lumineuses (Positions fixées, ensemble de positions possibles, aucune contrainte de position). • Nous allons classer les diverses approches en prenant comme critère le modèle d’éclairement.

23. 4. L’éclairage inverse Modèle de Phong : Utilisation de zones fortement éclairées et de volumes d’ombres (Poulin, Fournier - 1992).

24. 4. L’éclairage inverse Modèle de Phong : Esquisses d’ombres portées et de zones fortement éclairées (Poulin, Ratib, Jacques - 1997).

25. 4. L’éclairage inverse La radiosité : Calcul de l’émittance à partir de carreaux peints par l’utilisateur (Schoeneman et al. – SIGGRAPH’93). • Les positions des carreaux émetteurs sont fixées a priori. • Technique d’optimisation linéaire de type méthode des moindres carrés.

26. 4. L’éclairage inverse La radiosité : Calcul de l’émittance à partir de carreaux peints par l’utilisateur (Schoeneman et al. – SIGGRAPH’93).

27. 4. L’éclairage inverse La radiosité : Radioptimization (Kawai, Painter, Cohen – SIGGRAPH’93). • Possibilité partielle de décrire qualitativement l’ambiance d’une scène. • Utilisation d’un algorithme d’optimisation de type quasi-Newton.

28. 4. L’éclairage inverse La radiosité : Radioptimization (Kawai, Painter, Cohen – SIGGRAPH’93). On minimise une fonction qui est une combinaison linéaire de termes : • de nature physique : • des contraintes sur la radiosité d’un carreau par exemple, • l’énergie totale de la pièce. • basés sur une perception subjective : Impression de « clarté », d’ « intimité », « aspect agréable ».

29. 4. L’éclairage inverse La radiosité : Radioptimization (Kawai, Painter, Cohen – SIGGRAPH’93). Impression de clarté Ambiance intimiste

30. 4. L’éclairage inverse La radiosité : Pseudo-inversion avec une décomposition en valeurs singulières (Contensin – 1997, 2002). • Différents types de carreaux : • potentiellement émetteurs, • emittance nulle et radiosité fixée, • emittance nulle et radiosité non fixée. • On réécrit l’équation de radiosité en fonction des types précédents et on effectue une pseudo-inversion (méthode d’optimisation).

31. 4. L’éclairage inverse La radiosité : Pseudo-inversion avec une décomposition en valeurs singulières (Contensin – 1997, 2002).

32. 4. L’éclairage inverse Evaluation de la radiance (Costa, Sousa, Ferreira – 1999) • Scripts (complexes) écrits par le concepteur et modélisant la fonction objectif à optimiser. • Utilisation de RADIANCE (Ward) pour le calcul effectif de la radiance. • Algorithme de recuit simulé.

33. 4. L’éclairage inverse Evaluation de la radiance (Costa, Sousa, Ferreira – 1999) ~ 3h de calcul (PC haut de gamme 1999)

34. 4. L’éclairage inverse Conclusion sur l’état de l’art des méthodes d’éclairage inverse : • Bonne interface utilisateur  Peu de paramètres intervenant pour les sources lumineuses. • Beaucoup de paramètres pour les sources lumineuses  Interface peu intuitive. • Un ensemble de techniques d’optimisation. • Une seule méthode (radioptimization) essaie de prendre en compte une description qualitative (partielle) de l’éclairage.

35. 4. L’éclairage inverse • Les contextes d’utilisation : • L’éclairage d’un endroit – en architecture par exemple.  souvent, des règles à respecter. • L’éclairage d’un événement – une exposition dans un musée par exemple. • L’éclairage pour une photographie – une publicité par exemple. • On se place dans les 2 premiers cas  L’utilisateur peut se déplacer dans la scène.  Utilisation de la radiosité.

36. 4. L’éclairage inverse • Dans notre approche, l’utilisateur spécifie l’éclairage qu’il désire de manière déclarative. • Nous allons introduire les principales propriétés que l’on peut mettre à sa disposition. • Ces propriétés seront traitées à l’aide du modèle des sous-ensembles flous.

37. 4. L’éclairage inverse • Propriété liée à l’éclairage des objets : « La table est faiblement éclairée ». • Propriétés liées aux sources lumineuses : • Forme de la source (carrée, rectangle, disque, etc.), • Nombre de sources lumineuses, • Position des sources lumineuses (« Les sources lumineuses sont situées au plafond »), • Alignement des sources lumineuses.

38. 4. L’éclairage inverse Schéma général d’un outil permettant une approche déclarative de l’éclairage : Spécification déclarative Intervalles flous Problème de satisfaction de contraintes Algorithme de résolution du problème inverse Rendu de scènes solutions

39. SOMMAIRE 1. Introduction 2. Gestion de propriétés avec des sous-ensembles flous 3. Le concept d’ambiance 4. L’éclairage inverse 5. Une méthode de Monte-Carlo pour l’éclairage inverse 6. Gestion de l’aspect déclaratif de l’éclairage avec des CSP 7. Classification et représentation des scènes solutions 8. Conclusion

40. 5. Une méthode de Monte-Carlo pour l’éclairage inverse • On se place dans le cadre de la radiosité. • Les méthodes de Monte-Carlo sont des techniques de statistique probabiliste permettant d’estimer la valeur d’une intégrale. • Nous les utilisons pour estimer la valeur du facteur de forme Fij (que nous interprétons comme le taux de visibilité de Pj depuis Pi).

41. 5. Une méthode de Monte-Carlo pour l’éclairage inverse • Lancer aléatoire de rayons depuis le carreau Pi en effectuant un échantillonnage d’importance. • On collecte les indices des carreaux atteints. • On s’arrête : • quand au bout d’un certain seuil, on n’a pas atteint un nouveau carreau, • quand lors d’une étape (où on lance un nombre restreint de rayons), le nombre de nouveaux carreaux atteints est  20% des rayons lancés.

42. 5. Une méthode de Monte-Carlo pour l’éclairage inverse La totalité des sources lumineuses potentielles pour l’éclairage du haut de la boîte de gauche.

43. 5. Une méthode de Monte-Carlo pour l’éclairage inverse On effectue un filtrage avec une valeur de seuil pour les facteurs de forme, et on se limite à des carreaux situés au plafond.

44. 5. Une méthode de Monte-Carlo pour l’éclairage inverse • On introduit un nouveau carreau servant de source lumineuse  remaillage. • On place le carreau émetteur dans l’enveloppe convexe des carreaux trouvés par l’algorithme d’éclairage inverse. • La radiance émise appartient à un intervalle calculé à partir de l’intervalle obtenu à partir d’un sous-ensemble flou.

45. 5. Une méthode de Monte-Carlo pour l’éclairage inverse 1ère solution trouvée 58ème et dernière solution trouvée Source de lumière carrée. Pas de variation sur l’émittance et la taille.

46. SOMMAIRE 1. Introduction 2. Gestion de propriétés avec des sous-ensembles flous 3. Le concept d’ambiance 4. L’éclairage inverse 5. Une méthode de Monte-Carlo pour l’éclairage inverse 6. Gestion de l’aspect déclaratif de l’éclairage avec des CSP 7. Classification et représentation des scènes solutions 8. Conclusion

47. 6. Gestion de l’aspect déclaratif de l’éclairage avec des CSP Problème rencontré avec les CSP. Si l’on change la position ou la taille du carreau émetteur : • nouveau maillage, • on doit recalculer les facteurs de forme, • une taille trop petite ou trop grande peut exiger une émittance ne correspondant à aucun dispositif physique existant. • La contrainte sur l’émittance est d’une grande importance et est vérifiée en dernier.  Impossible de réaliser des élagages dans l’arbre d’exploration des valeurs des autres variables.

48. 6. Gestion de l’aspect déclaratif de l’éclairage avec des CSP • On reformule l’algorithme d’éclairage inverse. • Les éléments de la scène pouvant contenir des sources lumineuses sont préalablement remaillées préalablement remaillés en carreaux élémentaires. • On gère une liste L de couples constituée par : • un indice d’un carreau élémentaire, • un intervalle de valeurs d’émittance admissibles. • Une source lumineuse sera une combinaison de n carreaux élémentaires de L, les émittances étant divisées par n.

49. 6. Gestion de l’aspect déclaratif de l’éclairage avec des CSP • Les principaux algorithmes de résolution des CSP sont : • les méthodes déterministes : backtracking amélioré par des heuristiques, l’impact d’une assignation de variable sur les domaines des autres (forward checking, etc.), la recherche d’assignations menant à un conflit. • les méthodes stochastiques : On affecte aléatoirement une valeur à chaque variable et on essaie de réparer l’instanciation globale pour parvenir à une solution.

50. 6. Gestion de l’aspect déclaratif de l’éclairage avec des CSP CSP obtenus : (X,Y) haut-gauche de la source lumineuse. S taille de la source lumineuse. Quand S varie, le nombre de contraintes varie  On a une suite de CSP à résoudre.