en machine learning et rendu 3D F/H

Descriptif du poste:\n\nTu travailleras à l’interface entre l’équipe Machine Learning (3 personnes) et l’équipe Rendu (5 personnes), sur des sujets de recherche appliquée visant à améliorer la qualité visuelle, la fidélité géométrique et la robustesse de nos pipelines d’essayage virtuel et de production d’assets 3D.\nTes défis :\nAmélioration du rendu d’essayage par modèles génératifs\nTu étudieras comment combiner des méthodes de rendu 3D classiques avec des modèles génératifs, notamment des modèles de diffusion, pour produire des images d’essayage très réalistes tout en garantissant une fidélité stricte à la monture d’origine. Tu exploreras des stratégies permettant de contraindre ou guider les modèles génératifs afin qu’ils améliorent le réalisme de l’image sans dégrader la fidélité produit : ombres, adaptation au grain de l’image, intégration visage/lunettes, gestion des cheveux, des branches, des occultations ou cohérence photométrique. Une approche d’amélioration d’image en temps réel sera explorée.\nEstimation de cartes de matériaux et de cartes pour le rendu temps-réel\nTu travailleras sur l’estimation ou la reconstruction de propriétés de matériaux (selon les modèles classiques utilisés en rendu Physically-Based) à partir d’images. Des modèles basés sur le neural rendering pourront être explorés.\nGenerative 3D CAD\nTu contribueras à des travaux de recherche sur la création automatique de modèles 3D paramétriques à partir d’images multi-vues. L’objectif est d’explorer comment des méthodes de machine learning peuvent aider à reconstruire, générer ou ajuster des modèles 3D exploitables dans un pipeline industriel, en conservant une structure suffisamment propre et paramétrique pour être utilisée par les outils de rendu et de production.\n\nProfil recherché:\n\nNous recherchons un profil scientifique à l’aise à la fois avec les problématiques de rendu 3D, la géométrie 3D et les courbes et surfaces paramétriques, et avec les méthodes

modernes de machine learning. Tu as idéalement une expérience en recherche appliquée, en thèse, en post-doctorat ou dans un contexte industriel R&D, sur des sujets mêlant rendu, vision par ordinateur, apprentissage profond ou génération d’images.\nLes compétences attendues :\n* Solides connaissances en rendu 3D (rendu PBR, illumination, matériaux…)\n* Expérience en rendu différentiel\n* Bon niveau en PyTorch\n* Bon niveau d’anglais, à l’oral comme à l’écrit\n* Bon niveau de développement, ainsi que des outils et processus de développement et d’intégration continue\n* Capacité à expérimenter, prototyper et évaluer des approches de recherche\n* Intérêt pour les approches hybrides combinant modèles physiques, géométrie 3D et apprentissage profond\nLes compétences bonus qui permettront de te démarquer :\n* Expérience avec les modèles génératifs d’images\n* Connaissances en vision par ordinateur\n* Expérience en reconstruction 3D, méthodes multi-vues ou génération de modèles 3D, ainsi qu’en CAD\n* Connaissance des problématiques d’inverse rendering, d’estimation de matériaux ou de relighting\n* Sensibilité aux contraintes industrielles : robustesse, temps de calcul, qualité perçue, fidélité produit\nTa personnalité fera la différence :\n* Tu es capable de travailler en autonomie et en équipe\n* Tu es curieux-se intellectuellement\n* Tu es structuré-e, organisé-e, synthétique\n* Tu adhères aux valeurs de Fittingbox : trust, make good and improve, commitment & feel good

nBasée en France (Toulouse), en Bulgarie (Sofia) et aux USA (Miami), Fittingbox c’est l’histoire de deux entrepreneurs, Benjamin et Ariel, qui ont inventé en 2006 le 1er miroir digital pour essayer des lunettes en temps réel, via la réalité augmentée. Fittingbox a récemment racheté son principal concurrent américain, une étape clé qui renforce encore notre avance technologique. Nous poursuivons notre stratégie d’innovation afin de développer les solutions digitales de demain : essayage virtuel