1. Accueil
  2. Prochaines soutenances

ESPINOSA RICARDO

h00

Soutenance de thèse de RICARDO ESPINOSA

Correction de l'exposition des images et prédiction de la profondeur à l'aide de l'apprentissage profond pour la cartographie 3D en endoscopie

Deep learning-based Image exposure correction and depth estimation for 3D cartography in endoscopy

Jury

Directeur de these_DAUL_Christian_Université de Lorraine
Rapporteur_FOFI_David_Université de Bourgogne
Rapporteur_HAYET_Jean-Bernard_Centro de Investigación en Matemáticas (CIMAT, SECIHTI)
Examinateur_BERGER_Marie-Odile _INRIA/LORIA
Examinateur_ALFARO-PONCE_Mariel _Tecnológico de Monterrey
CoDirecteur de these_OCHOA-RUIZ_Gilberto_Tecnológico de Monterrey campus Guadalajara

école doctorale

IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

Laboratoire

CRAN - Centre de Recherche en Automatique de Nancy

Mention de diplôme

Automatique, Traitement du signal et des images, Génie informatique
ENSEM - Salle 124 jaune, UP - Aula Aguascalientes - UP -Av. Josemaría Escrivá de Balaguer 101, Villa Bonaterra, 20296 Aguascalientes, Ags. - ENSEM -2 Av. de la Forêt de Haye, 54500 Vandœuvre-lès-Nancy, France (Visio Conference)
*

Mots clés

Reconstruction 3D,Apprentissage profond,Endoscopie,Invariance á l'illumination,Apprentissage auto-supervisée,

Résumé de la thèse

Ce manuscrit porte sur le développement de techniques d'apprentissage profond pour améliorer la reconstruction 3D en coloscopie. Ce travail propose, dans le cadre de la construction de surfaces à partir de vidéos-séquences 2D d'endoscopie monoculaire, une approche de vision passive qui combine une correction photométrique et une estimation de profondeur auto-supervisée, le défi étant de prendre en compte les difficultés liées à l'illumination non uniforme des parois internes du côlon et à la présence de peu de textures et de structure dans les images.

Keywords

3D Reconstruction,Deep Learning,Endoscopy,Illumination invariance,Self-suppervised learning,

Abstract

This thesis investigates the application of deep learning techniques to improve 3D reconstruction in colonoscopy. A passive vision framework is proposed to enhance monocular video data by means of photometric correction and self-supervised depth estimation, addressing challenges related to uneven illumination and limited geometric information.
Liste de toutes les soutenances