S-GCN est un outil spécialisé dans l'analyse et l'évaluation de structures protéiques en 3D modélisées sous forme de graphes moléculaires. Il permet de prédire des scores de qualité pour des modèles de protéines générés par des algorithmes ou des participants à des défis comme CASP. Le projet facilite la comparaison entre modèles et structures réelles, aidant ainsi les chercheurs en biologie structurale à identifier les conformations les plus proches de la réalité.

Myria3D est une bibliothèque de deep learning conçue pour la segmentation multiclasse de grands nuages de points Lidar à haute densité. Elle implémente l'entraînement de réseaux de neurones de segmentation 3D avec des logiques de traitement et d'évaluation optimisées pour les données à l'échelle du lot. L'inférence sur des nuages de points inconnus à grande échelle est également prise en charge, ce qui permet d'évaluer la IoU sur l'ensemble du nuage de points, ce qui se traduit par une évaluation fiable du modèle.

S-GCN est un outil d'intelligence artificielle conçu pour évaluer et prédire la qualité de modèles 3D de protéines. Il utilise des réseaux de convolution graphiques sphériques pour analyser les structures moléculaires et générer des scores de qualité locaux et globaux. Basé sur des données issues de défis comme CASP, il aide les chercheurs en biologie structurale à identifier les modèles les plus fiables et à améliorer la précision des prédictions.

Projet de recherche dédié à la capture et reconstruction 3D de surfaces humaines avec une précision millimétrique. Il permet de générer des modèles 3D détaillés à partir de données multi-vues, utiles pour des applications en animation, médecine, ou réalité virtuelle. Le projet inclut des outils pour l'optimisation et l'évaluation des reconstructions.

Ce projet contient un modèle Onelab pour la résolution de divers problèmes électromagnétiques 3D sur un objet isolé : calcul de la matrice T, modes quasi-normaux, réponse à une onde plane et fonction de Green (par exemple, pour calculer la densité locale d'états). Il contient diverses fonctionnalités utiles en électromagnétisme : harmoniques sphériques vectorielles (également appelées harmoniques sphériques vectorielles), formulation du champ total avec une illumination par une source ponctuelle (« une delta orientée »), problèmes d'évaluation linéaires, formulation du champ diffusé et PML sphériques.

Ce projet permet de modéliser et analyser des champs de lumière à partir de données d'échantillonnage. Il offre des outils pour ajuster des coefficients lumineux, générer des représentations 3D de textures et évaluer la qualité des fits obtenus. Les algorithmes implémentés permettent de traiter des données issues de différentes sources (images, échantillons) pour reconstruire des modèles lumineux précis, utiles en imagerie scientifique ou en rendu 3D.

Outil dédié à l'affichage et à l'analyse de modèles géométriques en 3D, permettant de visualiser des données de couleur ou de radiance par sommet. Il propose des fonctionnalités avancées comme l'interpolation de fragments, l'évaluation symétrisée, et des options de simplification pour optimiser les maillages. Idéal pour les chercheurs, les ingénieurs ou les artistes 3D.

Outil de benchmarking et de simulation dédié à l'évaluation des performances des systèmes de calcul haute performance (HPC). Il permet de tester des méthodes numériques avancées comme les éléments spectraux finis (SEM) et les différences finies pour résoudre des équations d'ondes acoustiques en 2D et 3D. Utilisé par les chercheurs et ingénieurs pour comparer des architectures matérielles et des modèles de programmation dans un contexte scientifique.

Ce projet propose des exemples concrets et des cas d'usage pour l'algorithme HappyPose, spécialisé dans l'estimation de pose 3D d'objets à partir d'images. Il sert de support pédagogique et de référence pour les chercheurs, développeurs et utilisateurs souhaitant comprendre ou tester les capacités de ce modèle. Les exemples illustrent des scénarios variés d'application, facilitant l'intégration et l'évaluation dans des projets de vision par ordinateur.

Ce projet propose un benchmark public dédié à la prédiction de paramètres morphocinétiques pour la fécondation in vitro (FIV). Il fournit un jeu de données complet et des outils pour entraîner et évaluer des modèles d'intelligence artificielle, notamment des réseaux de neurones comme ResNet, ResNet-LSTM et ResNet-3D. L'objectif est d'accélérer la recherche et l'innovation dans le domaine de la médecine reproductive assistée.