[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-204756-114":3,"detail-sidebar-cat-1-fr-114":74,"doc-detail-204756-fr":108},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":67,"head_meta":69,"extra_data":71,"updated_unix":73},114,"fr","stereo-photometric-estimation-with-gaussian-splatting-and-inverse-rendering","Stéréophotométrie par Gaussian Splatting et rendu inverse","","Les algorithmes modernes de stéréophotométrie exploitent des réseaux de neurones ou une optimisation par rendu inverse, selon des stratégies d’apprentissage préalable ou de correction itérative. Le document revisite la stéréophotométrie calibrée en s’appuyant sur les progrès récents du rendu inverse 3D via le formalisme des Gaussian Splatting. La méthode paramétrise la scène 3D à reconstruire et optimise ses paramètres de façon plus interprétable. Elle intègre un modèle simplifié de représentation de la lumière et met en évidence la pertinence du moteur de rendu des Gaussian Splatting pour ce problème.",{"@graph":14,"@context":66},[15,34,49],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/fr/template/","Template",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/fr/template/général/","Général",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/fr/template/stereo-photometric-estimation-with-gaussian-splatting-and-inverse-rendering/204756/",4,{"url":32,"name":10,"@type":35,"author":36,"headline":10,"publisher":39,"fileFormat":42,"inLanguage":8,"description":12,"dateModified":43,"datePublished":43,"encodingFormat":42,"isAccessibleForFree":44,"interactionStatistic":45},"DigitalDocument",{"name":37,"@type":38},"Felix Montgomery","Person",{"url":19,"name":40,"@type":41},"DocShare","Organization","application/pdf","2026-09-05",true,{"@type":46,"interactionType":47,"userInteractionCount":4},"InteractionCounter",{"@type":48},"ViewAction",{"@type":50,"mainEntity":51},"FAQPage",[52,58,62],{"name":53,"@type":54,"acceptedAnswer":55},"Quel est l’objectif de la stéréophotométrie dans ce document ?","Question",{"text":56,"@type":57},"Estimer une carte de normales 3D décrivant la surface d’un objet à partir de plusieurs photographies prises avec une caméra fixe, mais avec des positions d’éclairage différentes.","Answer",{"name":59,"@type":54,"acceptedAnswer":60},"Comment les Gaussian Splatting sont-ils utilisés pour résoudre le problème ?",{"text":61,"@type":57},"La scène est modélisée comme un champ de gaussiennes 3D auxquelles sont associés des attributs (orientation, taille, couleur). Un moteur de rendu différentiable permet ensuite de resynthétiser des vues depuis différents points de vue et d’optimiser les paramètres pour coller aux images d’entrée.",{"name":63,"@type":54,"acceptedAnswer":64},"Quelles limites sont mises en avant pour les méthodes historiques de stéréophotométrie ?",{"text":65,"@type":57},"Le modèle lambertien et son inversion par moindres carrés peinent à traiter les ombres portées et les réflexions spéculaires, ce qui réduit la robustesse sur des scènes et matériaux complexes.","https://schema.org",{"og:url":32,"og:type":68,"og:title":10,"og:site_name":40,"og:description":12},"article",{"robots":70,"canonical":32},"index,follow",{"doc_id":72,"site_id":7},204756,1788575326,{"code":4,"msg":75,"data":76},"success",[77,81,85,89,93,96,100,104],{"id":78,"doc_module":22,"doc_module_name":25,"category_name":79,"show_sort_weight":4,"slug":80},187,"Affiches","affiches",{"id":82,"doc_module":22,"doc_module_name":25,"category_name":83,"show_sort_weight":4,"slug":84},185,"CV","cv-de4d58cbecd644d0a7e318765621a3e1",{"id":86,"doc_module":22,"doc_module_name":25,"category_name":87,"show_sort_weight":4,"slug":88},186,"Factures","factures",{"id":90,"doc_module":22,"doc_module_name":25,"category_name":91,"show_sort_weight":4,"slug":92},189,"Formulaires","formulaires",{"id":94,"doc_module":22,"doc_module_name":25,"category_name":29,"show_sort_weight":4,"slug":95},191,"general-191",{"id":97,"doc_module":22,"doc_module_name":25,"category_name":98,"show_sort_weight":4,"slug":99},190,"Lettres","lettres",{"id":101,"doc_module":22,"doc_module_name":25,"category_name":102,"show_sort_weight":4,"slug":103},184,"Présentations","cv-767d690125b54e1a9d6afd8b391bba13",{"id":105,"doc_module":22,"doc_module_name":25,"category_name":106,"show_sort_weight":4,"slug":107},188,"Réseaux sociaux","reseaux-sociaux",{"code":4,"msg":75,"data":109},{"doc_id":72,"user_id":110,"nickname":37,"user_avatar":111,"doc_module":22,"category_id":94,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":112,"file_id":113,"file_url":114,"file_type":115,"file_size":116,"view_count":4,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":33,"language":117,"language_code":8,"site_id":7,"html_lang":8,"table_of_contents":118,"faqs":119,"seo_title":120,"seo_description":12,"update_tm":73,"read_time":26},549768064778,"https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8","arXiv :2507 .06684v1 [ ee ss .IV] 9 Jul 2025  \nStéréophotométrie par Gaussian Splatting et rendu inverse  \nMatéo DUCASTEL Yvain QUÉAU David TSCHUMPERLÉ  \nUniversité Caen Normandie, ENSICAEN, CNRS, Normandie Univ, GREYC UMR 6072, F-14000 Caen, France  \nRésumé – Les algorithmes récents de l’état de l’art en stéréophotométrie recourent à des réseaux de neurones et fonctionnent soit par apprentissage à priori, soit par optimisation par rendu inverse. Ici, nous revisitons le problème de la stéréophotométrie calibrée en exploitant les avancées récentes en rendu inverse 3D, avec le formalisme des Gaussian Splatting. Ceci nous permet de paramétriser la scène 3D à reconstruire, et de l’optimiser de manière plus explicable. Notre approche intègre un modèle simplifié de représentation de la lumière, et montre le potentiel du moteur de rendu des Gaussian Splatting pour le problème de la stéréophotométrie.  \nAbstract – Recent state-of-the-art algorithms in photometric stereo rely on neural networks and operate either through prior learning or inverse rendering optimization. Here, we revisit the problem of calibrated photometric stereo by leveraging recent advances in 3D inverse rendering using the Gaussian Splatting formalism. This allows us to parameterize the 3D scene to be reconstructed and optimize it in a more interpretable manner. Our approach incorporates a simplified model for light representation and demonstrates the potential of the Gaussian Splatting rendering engine for the photometric stereo problem.  \n1 Introduction  \nL’un des objectifs de la stéréophotométrie est d’estimerune carte de normales 3D décrivant la surface d’un objet à partir de plusieurs photographies prises avec une caméra fixe, mais avec des positions d’éclairage différentes. Ici, nous proposons d’explorer une nouvelle approche pour résoudre le problème de la stéréophotométrie, approche fondée sur le formalisme récent des Gaussian Splatting. Ce formalisme consiste à modéliser une scène comme un  \nchamp de gaussiennes dans un espace 3D, auxquelles sont attachés différents attributs (orientation, taille et couleur notamment) . Un moteur de rendu dédié permet par la suite derégénérer rapidement un rendu de la scène depuis n’importequel point de vue. Ce qui est remarquable, c’est que ce moteur est différentiable, et qu’il peut donc intervenir dans des méthodes d’optimisation classiques (de type descente de gradient) afin d’estimer les paramètres des gaussiennes de manière à ce que les rendus des scènes resynthétisées soient les plus proches possibles des images d’entrée (résolution d’un problème inverse) . Nous proposons donc de revisiter le problème de la stéréophotométrie à l’aune de ce formalisme.  \nÉtat de l’art. L’un des atouts majeurs de la stéréophotométrieest qu’elle permet de reconstruire des détails fins des scènesimagées, avec par exemple des applications en numérisation 3D d’œuvres pour le patrimoine [6] ou encore la détection dedéfauts sur des pièces usinées [10] . L’approche historique en stéréophotométrie est celle de Woodham [12] qui définit un modèle pour estimer la normale en chaque point d’un objet à partir de plusieurs observations sous différentes illuminations. Ce modèle suppose que l’objet possède une réflectance lambertienne, son apparence ne dépendant donc que de l’angle entre normale et la direction de la lumière :  \nI(x,y) ∝ lT · n (x,y) , (1)  \noù I est l’image en niveaux de gris, l ∈ S2 la direction de la lumière et n(x,y) ∈ S2 la normale de l’objet observé en chaque point (x, y) de l’image. Ce modèle peut être inversé grâce  \nà une optimisation par moindres carrés, avec cependant plusieurs limitations, notamment l’incapacité à traiter les ombresportées et les réflexions spéculaires, ce qui la rend en pratiquepeu robuste pour les matériaux et les scènes complexes. Suite à cette première approche pionnière, la majorité des méthodes qui ont suivi ont considéré les ombres portées et les réflexions spéculaires comme des données aberrantes, ","cbCaihcc9KXYNHub","https://ap.wps.com/l/cbCaihcc9KXYNHub","pdf",635304,"French","# Introduction\n## État de l’art\n## Approches basées sur l’apprentissage profond\n## Rendu inverse différentiable","[{\"question\":\"Quel est l’objectif de la stéréophotométrie dans ce document ?\",\"answer\":\"Estimer une carte de normales 3D décrivant la surface d’un objet à partir de plusieurs photographies prises avec une caméra fixe, mais avec des positions d’éclairage différentes.\"},{\"question\":\"Comment les Gaussian Splatting sont-ils utilisés pour résoudre le problème ?\",\"answer\":\"La scène est modélisée comme un champ de gaussiennes 3D auxquelles sont associés des attributs (orientation, taille, couleur). Un moteur de rendu différentiable permet ensuite de resynthétiser des vues depuis différents points de vue et d’optimiser les paramètres pour coller aux images d’entrée.\"},{\"question\":\"Quelles limites sont mises en avant pour les méthodes historiques de stéréophotométrie ?\",\"answer\":\"Le modèle lambertien et son inversion par moindres carrés peinent à traiter les ombres portées et les réflexions spéculaires, ce qui réduit la robustesse sur des scènes et matériaux complexes.\"}]","Stéréophotométrie par Gaussian Splatting et rendu inverse | PDF"]