L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris
et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
présentent
l’AVIS DE SOUTENANCE de Monsieur Germain BREGEON
Autorisé à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à l’Institut Polytechnique de Paris Télécom SudParis en :
Signal, Images, Automatique et robotique
« Vers une Bibliothèque d’Apprentissage Profond Généraliste pour les Maillages Triangulaires : Opérateurs, Autoencodeurs et Compression Apprise »
le MARDI 8 SEPTEMBRE 2026 à 14h00
à
Amphithéâtre 11
9 Rue Charles Fourier, 91000 Évry-Courcouronnes
Membres du jury :
M. Titus ZAHARIA, Professeur, Institut Polytechnique de Paris Télécom SudParis, FRANCE – Directeur de thèse
M. Marius PREDA, Maître de conférences, Institut Polytechnique de Paris Télécom SudParis, FRANCE – Co-encadrant de thèse
Mme Mokraoui ANISSA, Professeure des universités, Université Sorbonne Paris Nord – Paris 13, FRANCE – Examinateur
M. Tian DONG, Docteur, Interdigital, ETATS-UNIS – Examinateur
M. Mohamed DAOUDI, Professeur, IMT Nord Europe, FRANCE – Rapporteur
M. Bertrand DELEZOIDE, Professeur associé, Université Paris Saclay, FRANCE – Rapporteur
Invité :
M. Radu Ispas – Encadrant – Keyrus
« Vers une Bibliothèque d’Apprentissage Profond Généraliste pour les Maillages Triangulaires : Opérateurs, Autoencodeurs et Compression Apprise »
présenté par Monsieur Germain BREGEON
Résumé :
Cette thèse introduit MeshConv3D, un framework d’apprentissage profond généraliste opérant nativement sur des maillages triangulaires irréguliers. Fondé sur une convolution basée sur les faces, un mécanisme de pooling parallèle préservant la topologie et un opérateur de dépooling à mémoire, MeshConv3D traite des maillages de topologie arbitraire ; surfaces non étanches et composantes déconnectées, sans nécessité de remaillage ni alignement sur un modèle de référence. Validé sur des benchmarks de classification et de segmentation avec des performances proche de l’état de l’art et une empreinte mémoire bien inférieure aux méthodes concurrentes, le framework est ensuite appliqué à la compression de maillages 3D à travers deux architectures successives. La première est un autoencodeur géométrique produisant des représentations latentes compactes et structurées, surpassant les approches neuronales existantes sur les benchmarks de reconstruction. La seconde étend ce design en un codec de maillage appris complet, intégrant modélisation entropique, génération de flux binaire par Draco (pour l’encodage de la connectivité) et un mécanisme de dépooling prédictif pour la reconstruction de la connectivité. À notre connaissance, il s’agit du premier pipeline de compression appris de bout en bout opérant nativement sur des maillages triangulaires, évalué dans le contexte industriel des plateformes de télé présence immersive.
Abstract :
This thesis introduces MeshConv3D, a general-purpose deep learning framework operating natively on irregular triangular meshes. Built around a face-based convolution operator, a parallel topology-preserving pooling mechanism, and a memory-based unpooling layer, MeshConv3D handles arbitrary mesh topologies, including non-watertight surfaces and disconnected components, without remeshing or template alignment. Validated on classification and segmentation benchmarks at state-of-the-art accuracy and with significantly lower memory requirements than competing methods, the framework is further applied to 3D mesh compression through two successive architectures. The first is a geometry-focused autoencoder producing compact, semantically structured latent representations that outperform existing neural approaches on standard reconstruction benchmarks. The second extends this design into a complete learned mesh codec, integrating entropy modeling, Draco-based bitstream generation for connectivity, and a novel predictive unpooling mechanism for connectivity reconstruction. To our knowledge, this constitutes the first end-to-end learned compression pipeline operating natively on triangular meshes, evaluated in the industrial context of immersive virtual meeting platforms.