La lumière naturelle éclaire l'espace architectural créant les conditions nécessaires pour accueillir des activités humaines. La fonction d'éclairage de la lumière naturelle est associée à une autre dimension plus sensible attribuant une identité et une singularité à l'espace conçu. La maîtrise du comportement lumineux est une activité complexe qui fait appel à une multiplicité de facteurs dont la caractérisation est confrontée à l'incertitude et l'imprécision des informations disponibles durant les phases conceptuelles du projet. L'objectif de notre recherche est de proposer une méthode d'assistance qui prend en considération les propriétés des phases amont de conception pour aider le concepteur à intégrer ses intentions d'ambiance de lumière naturelle. Nous proposons une méthode d'assistance structurée selon un processus déclaratif permettant au concepteur d'expliciter ses intentions d'effets de lumière naturelle et de les traduire en solutions architecturales potentielles qu'il peut intégrer dans son projet. Cette méthode considère les intentions d'ambiance de lumière naturelle comme une information source à utiliser pour proposer une aide à la conception pendant les phases préliminaires du projet où elles constituent les seules informations disponibles. Cette méthode offre des fonctionnalités capables de gérer l'incertitude qui caractérise les phases de recherche et de formalisation d'idées. Notre méthode d'assistance a été implémentée dans un prototype d'outil dont l'apport cognitif et la capacité d'accompagnement des activités de conception ont été évalués et analysés dans un cadre expérimental de conception de projet / The daylight illuminates the architectural space and creates the necessary conditions to accommodate human activities. The illuminating function of daylight is joined to another sensitive dimension that attributes a distinctive identity to the designed space. The control of daylight in architectural environment needs some detailed and precise characteristics about aperture and walls features. The multiplicity of these characteristics is faced with the inaccuracy and the uncertainty of the design information available during the early steps. Our research aims to propose a design support method that takes into account the early design step features and helps designers to integrate there daylight atmosphere intentions in project. We propose a design support method structured as a declarative modelling process. The declarative process helps the designer to declare his daylight intentions and to translate them to potential solutions that could be integrated in his project. This method considers the designer intentions as the main design information used to help designer during the early design steps. The proposed method provides functionalities that could operate the inaccuracy and the uncertainty of the ideas research and formalisation steps. Our design support method was implemented in a prototype design support tool. The cognitive contribution and the ability to support the design activities of the proposed tool was evaluated and analysed in an experimental design context

Avant-propos: Cet ouvrage se base en partie sur le travail réalisé en collaboration avec Alexia Jolicoeur-Martineau, Ioannis Mitliagkas et Rémi Tachet des Combes, réalisé en 2020 et publié à la conférence internationale d'apprentissage de représentations (ICLR 2021). Les analyses présentées dans les prochaines pages approfondissent, corrigent et ajoutent à cet ouvrage de manière substantive, sans toutefois reposer sur cet ouvrage ou quelconque connaissance couverte par ce texte. / Ce mémoire a pour but de présenter des analyses pertinentes au sujet des méthodes génératives dites Denoising Score Matching dans le but de mieux comprendre leur fonctionnement et d'améliorer les techniques existantes. Ces méthodes consistent à graduellement réduire le bruit dans une image en usant de réseaux neuraux profonds à des fins de synthèse. Tandis que les premiers chapitres contextualisent le problème du Denoising Score Matching, les chapitres suivants s’affairent à reformuler l’objectif d’entraînement du réseau neuronal, puis à analyser le processus itératif générateur. J’introduis par la suite les concepts fondateurs des méthodes de Monte Carlo par chaînes de Markov (MCMC) pour dynamiques Hamiltoniennes, que j’adapte ensuite à la synthèse d’image par réduction graduelle de bruit. Tandis que les dynamiques de Langevin ont jusqu’alors eut monopole des processus génératifs dans la littérature de synthèse par le score, les dynamiques Hamiltoniennes font l'objet d’un engouement quant à leur vitesse de convergence supérieure. Je démontre leur efficacité dans les sections suivantes et précise, dans le cas de la génération d'images complexes, les contextes dans lesquels leur usage est avantageux. Lors d’une étude d’ablation complète, je présente les gains indépendants et jumelés des améliorations proposées, et par le fait même, je contribue à notre compréhension des modèles basés sur le score. / This thesis presents pertinent analysis around generative modeling of the Denoising Score Matching family with the goals of better understanding how they work and improving existing methods. These methods work by gradually reducing noise in images using deep neural networks. While the first chapters contextualize the problem of Denoising Score Matching, the following chapters focus on reformulating the training objective of the neural network and analysing the iterative generative process. I introduce the founding concepts of Markov Chain Monte Carlo (MCMC) for Hamiltonian Dynamics and adapt them to our framework of image synthesis by annealing of Gaussian noise. While Langevin Dynamics have thus far dominated generative processes in the Denoising Score Matching literature, Hamiltonian Dynamics sustained interest from their superior convergence rate. I demonstrate their efficiency in the next chapters and elaborate on the contexts in which their use is advantageous to complex image generation. In a complete ablation study, I present the independent and coupled gains from every proposed improvements and thereby elevate our comprehension of Denoising Score Matching methods.