Soutenance de thèse de PIETRI Mathieu


Titre de thèse

compression de maillages dynamiques représentant des personnages animés — application au streaming en direct de commandes graphiques pour le cloud gaming

compression of dynamic meshes representing animated characters — application to live graphics streaming for cloud gaming

Date

16 October 2025 à 10h00

Adresse

163 Avenue de Luminy 13009 Marseille France, Amphi 12, Bat B

Ecole doctorale

Mathématiques et Informatique de Marseille

Specialité

Informatique

Etablissement

Aix-Marseille Université

Mots clés

Maillages dynamiques,Animation,Compression,Segmentation,Décomposition en skinning,Streaming,

Keywords

Dynamic meshes,Animation,Compression,Segmentation,Skinning decomposition,Streaming,

Jury

Jury de thèse
Qualité Nom Etablissement
Professeur M. MARI Jean-Luc Aix-Marseille Université
Professeur Mme MORIN Géraldine Université de Toulouse
Professeur Mme MARCHAL Maud Université de Rennes
Maître de conférences M. URIBE LOBELLO Ricardo Aix-Marseille Université
Professeur M. CRESPIN Benoît Université de Limoges
Maître de conférences M. REMY Eric Aix-Marseille Université

Résumé de la thèse

Le streaming graphique est une technique de transmission de données permettant le rendu à distance de la sortie graphique d'un logiciel. Contrairement au streaming vidéo qui effectue le rendu sur le serveur avant d'en transmettre le flux vidéo au client, le streaming graphique transmet des commandes graphiques, exécutées côté client pour un rendu local. Cette technique trouve des applications notamment dans le domaine du cloud gaming, comme mis en œuvre par notre partenaire nothing2install, qui commercialise un service de cloud gaming pour plateforme mobile Android.
Dans ce contexte, la transmission des personnages animés représente la part dominante de la consommation de bande passante. Ceux-ci prennent la forme de maillages dynamiques : des maillages évolutifs à topologie constante, dont la compression constitue un domaine de recherche bien établi. Cependant, l'état de l'art de la compression de maillages dynamiques n'est pas directement applicable à notre contexte. En effet, ces approches s'appuient généralement sur les données de mouvement de l'intégralité de l'animation, ce qui est incompatible avec la compression en direct, c'est-à-dire. en temps réel sans connaissance préalable de l'animation. Ainsi, adapter la compression de maillages dynamiques au streaming en direct représente un enjeu majeur pour n2i et pour l'ensemble des domaines d'application du streaming graphique.
Cette thèse porte sur la conception d'une technique de compression de maillages dynamiques répondant aux contraintes du streaming en direct. Dans un premier temps, nous présentons une approche de compression par segmentation, dans laquelle le mouvement des sommets au cours du temps est encodé sous forme de transformations des segments. Dans un deuxième temps, nous proposons une extension de cette approche, qui lisse l'aspect des zones de jointure en introduisant du blending. Cette technique s'appuie sur Dem Bones, une bibliothèque de décomposition en poids de skinning, conçue pour transformer une animation brute en animation par squelette.
La validation expérimentale de notre méthode montre qu'elle réduit significativement la quantité de données nécessaires à l'encodage des maillages dynamiques tout en respectant les contraintes du streaming en direct. En effet, les taux de compression observés sont suffisants pour transmettre des scènes typiques de jeux mobiles, et la distorsion induite par la compression reste acceptable compte tenu des contraintes temporelles. Les performances sont largement compatibles avec le streaming en direct et promettent une latence faible. Cependant, plusieurs limitations subsistent, comme la forte dépendance de l'approche au choix de plusieurs hyperparamètres. L'automatisation du choix de ces paramètres constitue une des principales perspectives d'amélioration de nos travaux.


Thesis resume

Graphics streaming is a data transmission technique that enables the remote rendering of software-generated graphics. In contrast to video streaming, where the scene is rendered server-side and transmitted as a video stream, graphics streaming transmits low-level graphical calls that are executed client-side to render the scene locally. This technique finds application in the context of cloud gaming, as demonstrated by our partner nothing2install, which provides a cloud gaming service for the Android mobile platform.
In this context, the majority of the bandwidth consumption is typically attributable to animated characters computed on the CPU. These data appear to our pipeline as dynamic meshes, i.e. time-varying meshes with constant connectivity, which have been thoroughly researched for compression in the past. However, most state-of-the-art dynamic mesh compression methods are not directly applicable to our context, as they generally rely on motion data extracted from the complete animation. In our context, compression must be performed live, i.e. real-time without prior knowledge of the full animation. Therefore, adapting dynamic mesh compression to live streaming represents a major stake for n2i and all applications of graphics streaming.
This thesis focuses on designing a dynamic mesh compression technique constrained by live streaming. We first present a segmentation-based approach, which encodes vertex trajectories over time as segment transformations. Then we propose an extension of this approach, which introduces blending to smooth out joints between segments. This technique relies on dembones, a skinning decomposition library designed to convert raw animation data into a skeletal animation model.
The experimental validation of our approach shows that it significantly reduces the amount of data needed to encode dynamic meshes while fullfilling the constraints linked to live streaming. Observed compression rates allow efficient transmission of typical mobile game scenes and distorsion remains within acceptable boundaries given the time constraints. Performance comfortably meet our real-time requirements and allow for low-latency use. However, our approach suffers from several limitations, such as its heavy reliance on multiple hyperparameters. Automating the selection of these parameters constitutes one of the main perspectives for future improvements.