L’objectif de cette thèse est la recherche de nouvelles techniques de génération de contenu numérique pour des applications de jeu vidéo. Le manque de variété de terrains, d’objets et de détails affecte fortement le réalisme des paysages de synthèse.Dans ce contexte, un des principaux goulots d’étranglements est la modélisation des ressources graphiques permettant de créer les scènes. Afin de simplifier et d’accélérer cette tâche, nous présentons des méthodes permettant de générer automatiquement du contenu graphique pour créer de grands paysages à la fois complexes et originaux.Notre première approche permet de créer et d’éditer rapidement des variétés d’objets à partir d’un modèle initial fourni par un graphiste, sous la contrainte d’une représentation avec très peu de triangles. Nous présentons également une méthode de génération procédurale des variétés d’objets. Ensemble, ces méthodes permettent de créer aussi bien des variétés de formes naturelles que des ouvrages d’arts tels que des routes, des ponts et des tunnels capables de s’adapter automatiquement au relief d’un paysage.Nous proposons une autre méthode, s’appuyant sur une simulation physique et thermique, pour créer des paysages hivernaux évoluant au cours du temps en fonction des conditions climatiques. Cette approche permet de suivre l’évolution du manteau neigeux ainsi que l’épaisseur de la glace qui se forme en surface d’un lac. / The goal of this thesis is the search for new techniques for generating digital content for video game applications. The lack of variety of objects and details strongly affects the realism of synthetic landscapes. In this context, a major bottleneck is the creation of graphical assets to create the scenes. To simplify and accelerate this task, we present methods to automatically generate graphical content with a view to creating large, convincing and realistic landscapes.We present a first category of method to create and edit quickly a vast variety of objects from an initial model provided by a graphic designer, under the constraint of low polygonal modeling. We also present a procedural method for generating of varieties of objects. Together, these methods can create many varieties of natural forms as well as roads, bridges and tunnels that can automatically adapt to the landform features of an input terrain.We propose another method, based on a physical simulation and heat transfer simulation to create winter landscapes that evolve over time depending on the weather conditions. This approach allows us to follow the evolution of the snowpack and the thickness of the ice that forms on the surface of a lake.

La transformation de modèles consiste à transformer un modèle source en un modèle cible conformément à des méta-modèles source et cible. Nous distinguons deux types de transformations. La première est exogène où les méta-modèles source et cible représentent des formalismes différents et où tous les éléments du modèle source sont transformés. Quand elle concerne un même formalisme, la transformation est endogène. Ce type de transformation nécessite généralement deux étapes : l’identification des éléments du modèle source à transformer, puis la transformation de ces éléments. Dans le cadre de cette thèse, nous proposons trois principales contributions liées à ces problèmes de transformation. La première contribution est l’automatisation des transformations des modèles. Nous proposons de considérer le problème de transformation comme un problème d'optimisation combinatoire où un modèle cible peut être automatiquement généré à partir d'un nombre réduit d'exemples de transformations. Cette première contribution peut être appliquée aux transformations exogènes ou endogènes (après la détection des éléments à transformer). La deuxième contribution est liée à la transformation endogène où les éléments à transformer du modèle source doivent être détectés. Nous proposons une approche pour la détection des défauts de conception comme étape préalable au refactoring. Cette approche est inspirée du principe de la détection des virus par le système immunitaire humain, appelée sélection négative. L’idée consiste à utiliser de bonnes pratiques d’implémentation pour détecter les parties du code à risque. La troisième contribution vise à tester un mécanisme de transformation en utilisant une fonction oracle pour détecter les erreurs. Nous avons adapté le mécanisme de sélection négative qui consiste à considérer comme une erreur toute déviation entre les traces de transformation à évaluer et une base d’exemples contenant des traces de transformation de bonne qualité. La fonction oracle calcule cette dissimilarité et les erreurs sont ordonnées selon ce score. Les différentes contributions ont été évaluées sur d’importants projets et les résultats obtenus montrent leurs efficacités. / Model transformations take as input a source model and generate as output a target model. The source and target models conform to given meta-models. We distinguish between two transformation categories. Exogenous transformations are transformations between models expressed using different languages, and the whole source model is transformed. Endogenous transformations are transformations between models expressed in the same language. For endogenous transformations, two steps are needed: identifying the source model elements to transform and then applying the transformation on them. In this thesis, we propose three principal contributions. The first contribution aims to automate model transformations. The process is seen as an optimization problem where different transformation possibilities are evaluated and, for each possibility, a quality is associated depending on its conformity with a reference set of examples. This first contribution can be applied to exogenous as well as endogenous transformation (after determining the source model elements to transform). The second contribution is related precisely to the detection of elements concerned with endogenous transformations. In this context, we present a new technique for design defect detection. The detection is based on the notion that the more a code deviates from good practice, the more likely it is bad. Taking inspiration from artificial immune systems, we generate a set of detectors that characterize the ways in which a code can diverge from good practices. We then use these detectors to determine how far the code in the assessed systems deviates from normality. The third contribution concerns transformation mechanism testing. The proposed oracle function compares target test cases with a base of examples containing good quality transformation traces, and assigns a risk level based on the dissimilarity between the two. The traces help the tester understand the origin of an error. The three contributions are evaluated with real software projects and the obtained results confirm their efficiencies.

L’objet principal de cette thèse est de proposer des méthodes pour la synthèse de formes qui soient contrôlables et permettent d’imprimer les résultats obtenus. Les imprimantes 3D étant désormais plus faciles d’accès que jamais, les logiciels de modélisation doivent maintenant prendre en compte les contraintes de fabrication imposées par les technologies de fabrication additives. En conséquence, des algorithmes efficaces doivent être développés afin de modéliser les formes complexes qui peuvent être créées par impression 3D. Nous développons des algorithmes pour la synthèse de formes par l’exemple qui prennent en compte le comportement mécanique des structures devant être fabriquées. Toutes les contributions de cette thèse s’intéressent au problème de génération de formes complexes sous contraintes géométriques et objectifs structurels. Dans un premier temps, nous nous intéressons à la gestion des contraintes de fabrication, et proposons une méthode pour synthétiser des structures de support efficaces qui sont bien adaptées aux imprimantes à filament. Dans un deuxième temps, nous prenons en compte le contrôle de l’apparence, et développons de nouvelles méthodes pour la synthèse par l’exemple qui mélangent astucieusement des critères sur visuels, et des contraintes sur le comportement mécanique des objets. Pour finir, nous présentons une méthode passant bien à l’échelle, afin de contrôler les propriétés élastiques des structures imprimées. Nous nous inspirons des méthodes de synthèse de texture procédurales, et proposons un algorithme efficace pour synthétiser des microstructures imprimables et contrôler leurs propriétés élastiques / The main goal of this thesis is to propose methods to synthesize shapes in a controllable manner, with the purpose of being fabricated. As 3D printers grow more accessible than ever, modeling software must now take into account fabrication constraints posed by additive manufacturing technologies. Consequently, efficient algorithms need to be devised to model the complex shapes that can be created through 3D printing. We develop algorithms for by-example shape synthesis that consider the physical behavior of the structure to fabricate. All the contributions of this thesis focus on the problem of generating complex shapes that follow geometric constraints and structural objectives. In a first time, we focus on dealing with fabrication constraints, and propose a method for synthesizing efficient support structures that are well-suited for filament printers. In a second time, we take into account appearance control, and develop new by-example synthesis methods that mixes in a meaningful manner criteria on the appearance of the synthesized shapes, and constraints on their mechanical behavior. Finally, we present a highly scalable method to control the elastic properties of printed structures. We draw inspiration from procedural texture synthesis methods, and propose an efficient algorithm to synthesize printable microstructures with controlled elastic properties

La transformation de modèles consiste à transformer un modèle source en un modèle cible conformément à des méta-modèles source et cible. Nous distinguons deux types de transformations. La première est exogène où les méta-modèles source et cible représentent des formalismes différents et où tous les éléments du modèle source sont transformés. Quand elle concerne un même formalisme, la transformation est endogène. Ce type de transformation nécessite généralement deux étapes : l’identification des éléments du modèle source à transformer, puis la transformation de ces éléments. Dans le cadre de cette thèse, nous proposons trois principales contributions liées à ces problèmes de transformation. La première contribution est l’automatisation des transformations des modèles. Nous proposons de considérer le problème de transformation comme un problème d'optimisation combinatoire où un modèle cible peut être automatiquement généré à partir d'un nombre réduit d'exemples de transformations. Cette première contribution peut être appliquée aux transformations exogènes ou endogènes (après la détection des éléments à transformer). La deuxième contribution est liée à la transformation endogène où les éléments à transformer du modèle source doivent être détectés. Nous proposons une approche pour la détection des défauts de conception comme étape préalable au refactoring. Cette approche est inspirée du principe de la détection des virus par le système immunitaire humain, appelée sélection négative. L’idée consiste à utiliser de bonnes pratiques d’implémentation pour détecter les parties du code à risque. La troisième contribution vise à tester un mécanisme de transformation en utilisant une fonction oracle pour détecter les erreurs. Nous avons adapté le mécanisme de sélection négative qui consiste à considérer comme une erreur toute déviation entre les traces de transformation à évaluer et une base d’exemples contenant des traces de transformation de bonne qualité. La fonction oracle calcule cette dissimilarité et les erreurs sont ordonnées selon ce score. Les différentes contributions ont été évaluées sur d’importants projets et les résultats obtenus montrent leurs efficacités. / Model transformations take as input a source model and generate as output a target model. The source and target models conform to given meta-models. We distinguish between two transformation categories. Exogenous transformations are transformations between models expressed using different languages, and the whole source model is transformed. Endogenous transformations are transformations between models expressed in the same language. For endogenous transformations, two steps are needed: identifying the source model elements to transform and then applying the transformation on them. In this thesis, we propose three principal contributions. The first contribution aims to automate model transformations. The process is seen as an optimization problem where different transformation possibilities are evaluated and, for each possibility, a quality is associated depending on its conformity with a reference set of examples. This first contribution can be applied to exogenous as well as endogenous transformation (after determining the source model elements to transform). The second contribution is related precisely to the detection of elements concerned with endogenous transformations. In this context, we present a new technique for design defect detection. The detection is based on the notion that the more a code deviates from good practice, the more likely it is bad. Taking inspiration from artificial immune systems, we generate a set of detectors that characterize the ways in which a code can diverge from good practices. We then use these detectors to determine how far the code in the assessed systems deviates from normality. The third contribution concerns transformation mechanism testing. The proposed oracle function compares target test cases with a base of examples containing good quality transformation traces, and assigns a risk level based on the dissimilarity between the two. The traces help the tester understand the origin of an error. The three contributions are evaluated with real software projects and the obtained results confirm their efficiencies.

L’ingénierie dirigée par les modèles (IDM) est un paradigme d’ingénierie du logiciel bien établi, qui préconise l’utilisation de modèles comme artéfacts de premier ordre dans les activités de développement et de maintenance du logiciel. La manipulation de plusieurs modèles durant le cycle de vie du logiciel motive l’usage de transformations de modèles (TM) afin d’automatiser les opérations de génération et de mise à jour des modèles lorsque cela est possible. L’écriture de transformations de modèles demeure cependant une tâche ardue, qui requiert à la fois beaucoup de connaissances et d’efforts, remettant ainsi en question les avantages apportés par l’IDM. Afin de faire face à cette problématique, de nombreux travaux de recherche se sont intéressés à l’automatisation des TM. L’apprentissage de transformations de modèles par l’exemple (TMPE) constitue, à cet égard, une approche prometteuse. La TMPE a pour objectif d’apprendre des programmes de transformation de modèles à partir d’un ensemble de paires de modèles sources et cibles fournis en guise d’exemples. Dans ce travail, nous proposons un processus d’apprentissage de transformations de modèles par l’exemple. Ce dernier vise à apprendre des transformations de modèles complexes en s’attaquant à trois exigences constatées, à savoir, l’exploration du contexte dans le modèle source, la vérification de valeurs d’attributs sources et la dérivation d’attributs cibles complexes. Nous validons notre approche de manière expérimentale sur 7 cas de transformations de modèles. Trois des sept transformations apprises permettent d’obtenir des modèles cibles parfaits. De plus, une précision et un rappel supérieurs à 90% sont enregistrés au niveau des modèles cibles obtenus par les quatre transformations restantes. / Model-driven engineering (MDE) is a well-established software engineering paradigm that promotes models as main artifacts in software development and maintenance activities. As several models may be manipulated during the software life-cycle, model transformations (MT) ensure their coherence by automating model generation and update tasks when possible. However, writing model transformations remains a difficult task that requires much knowledge and effort that detract from the benefits brought by the MDE paradigm. To address this issue, much research effort has been directed toward MT automation. Model Transformation by Example (MTBE) is, in this regard, a promising approach. MTBE aims to learn transformation programs starting from a set of source and target model pairs supplied as examples. In this work, we propose a process to learn model transformations from examples. Our process aims to learn complex MT by tackling three observed requirements, namely, context exploration of the source model, source attribute value testing, and complex target attribute derivation. We experimentally evaluate our approach on seven model transformation problems. The learned transformation programs are able to produce perfect target models in three transformation cases, whereas, precision and recall higher than 90% are recorded for the four remaining ones.