Le projet sibr_core est un système d'image-based rendering (IBR) permettant la visualisation et le rendu d'images 3D à partir d'une collection d'images. Il offre des fonctionnalités telles que la création de mosaïques d'images et la gestion de caméras multi-vues.

Ce dépôt contient des tutoriels sur la programmation parallèle, conçus pour fonctionner avec Python et des modules tels que numpy et scipy. Les tutoriels couvrent l'utilisation de POSIX Threads, SIMD, OpenMP, CUDA et OpenCL pour le calcul parallèle et l'optimisation de code.

Ce projet implémente une méthode d'inférence de profondeur à partir d'images en utilisant un réseau de neurones convolutifs. Il s'agit d'un réseau de neurones calibré qui permet de projeter des points sur une image et d'inférer une représentation dense de la profondeur à partir de cette image. Cette méthode a été testée sur des données de nuages de points 3D provenant de capteurs tels que le Lidar ou la stéréovision et a permis d'améliorer la précision des nuages de points 3D.

Module GPU pour le calcul matriciel haute performance. Il permet d'interfacer tout code C/C++ avec les bibliothèques cuSPARSE, cuBLAS et cuSOLVER, en prenant en charge les types de données float, double, cuComplex et cuDoubleComplex. L'objectif principal est de charger les bibliothèques CUDA de manière transparente, permettant au logiciel de fonctionner avec ou sans CUDA.

Ce projet vise à fournir des outils pour la reproductibilité des expériences présentées dans l'ouvrage Programming Heterogeneous Architectures Using Hierarchical Tasks. Il permet de cloner, compiler et installer deux versions de StarPU et Chameleon, une version non-hiérarchique et une version hiérarchique, et de lancer des benchmarks pour comparer leurs performances dans différentes tâches telles que GEMM, POTRF, POSV et POINV.

Projet d'imagerie 3D à partir de photos multi-vues, utilisant des techniques de rendu hybride pour générer des images et des maillages 3D de haute qualité.

Projet de recherche en infographie et vision par ordinateur visant à développer des méthodes pour la reconstruction 3D d'environnements à partir de photos et le rendu d'images virtuelles en temps réel. Le projet est basé sur deux articles publiés dans les transactions ACM sur les graphiques et la conférence SIGGRAPH Asia.

Le projet nvidia_docker permet l'utilisation de GPU pour le calcul scientifique en exécutant des applications dans des conteneurs Docker. Il offre des fonctionnalités de compilation et d'exécution d'applications OpenGL et de création d'images Docker optimisées pour le calcul GPU.

Ce projet implémente une méthode de déformation de maillages 3D basée sur les coordonnées de Somigliana, une approche dérivée de l'élasticité. Il permet de gérer des cages pour contrôler la déformation, de calculer les distances entre objets géométriques et de visualiser les résultats.

Staronnx est un projet visant à optimiser les calculs scientifiques intensifs en les distribuant sur des architectures GPU à l'aide de CUDA et cuDNN, le tout géré par Starpu.