Stage Research Engineer / 3D Generative AI (PFE)

\>\> INFORMATIONS CLÉS

Intitulé du poste : Stage Research Engineer : IA générative 3D (PFE / M2 Recherche)

Type de contrat : Stage conventionné (PFE, M2 recherche, césure, PFE bis)

Durée : 5 à 6 mois (négociable jusqu'à 8 mois)

Date de début : Juillet à septembre 2026 (flexible selon calendrier école)

Lieu : Lyon (70 Quai Perrache, 69002\), présentiel majoritaire, 1 jour de télétravail/semaine possible

Niveau d'études requis : Bac\+5 en cours, école d'ingénieur 3A, M2 recherche, ou équivalent (CS, ML, vision, computer graphics)

Expérience requise : Stage(s) R\&D antérieur(s), projet recherche, ou contributions sérieuses en deep learning / 3D

Secteur : R\&D Intelligence Artificielle / 3D générative / Computer Graphics

Fonction : Recherche / R\&D

Télétravail : Hybride (1 jour/semaine, à concerter)

\>\> À propos de Chat3D

Chat3D conçoit la prochaine génération de machine learning pour la production 3D. Notre mission : équiper les studios d'outils sur\-mesure qui s'intègrent dans leur pipeline existant et démultiplient la productivité des artistes : sans tomber dans l'automatisation black\-box. Nous croyons aux briques ciblées qui accélèrent chaque étape de la création d'asset (data \& références, blocking, modélisation, sculpt, retopologie, UV, baking, texturing, validation), pensées avec les studios pour répondre à leurs contraintes réelles.

Chaque outil est éprouvé en conditions de production par notre R\&D lab interne, Overnight Studio, sur des assets aux standards AAA. Notre ambition : multiplier la productivité des artistes pour qu'ils se concentrent sur la créativité, et accélérer la production 3D jusqu'à 5× plus vite.

Quelques repères publics :

• Startup deeptech basée à Lyon


• Levée seed de 3 M€ en septembre 2025


• Partenariat stratégique avec Nvidia.


• Clients et prospects dans le jeu vidéo, l'animation, le design, et plusieurs secteurs industriels (manufacturing, automotive, prototypage luxe).

Notre recherche

L'axe R\&D du stage s'inscrit dans la trajectoire des modèles génératifs 3D foundation ouverte par des travaux récents comme CLAY (Zhang et al., SIGGRAPH 2024 : VAE multi\-résolution \+ DiT latent, 1\.5 B paramètres, géométrie \+ matériaux PBR joints) et la lignée TRELLIS (Microsoft Research : latents structurés sparse\-voxel, génération en cascade structure → géométrie → matériaux, 4 B paramètres pour TRELLIS\-2\). Ces papers définissent un nouveau plateau pour la génération 3D : modèles à grande échelle, représentations latentes apprises compactes, contrôle riche depuis image/texte/signaux 3D, génération conjointe géométrie \+ PBR.

Notre conviction : ces modèles foundation ouvrent un terrain de recherche immense, à la fois côté spécialisation pour la production (adaptation, contrôle fin, ancrage métier) et côté briques aval qui exploitent leurs sorties pour livrer des assets utilisables en pipeline studio.

\>\> Le sujet de recherche

Le ou la stagiaire travaillera sur un sujet de fond sélectionné conjointement à l'arrivée, parmi les deux axes suivants :

Spécialisation et contrôle des modèles génératifs 3D foundation : Comment adapter un modèle E2E open source de la lignée TRELLIS / CLAY à une catégorie d'assets métier ciblée ? Quels régimes d'adaptation (finetuning, adapters, distillation, conditionnement, probing des représentations internes) préservent la généralité acquise en pré\-entraînement tout en améliorant mesurablement la qualité sur le domaine cible ? Quels signaux supervisent au mieux la spécialisation (perte géométrique, perte de rendu, perte perceptuelle, retour humain) ? Comment introduire des contrôles utilisables par un artiste (géométrie de référence, contraintes topologiques, palettes matériau) ?

Décomposition et raffinement par parts au\-dessus des modèles foundation: Étude empirique d'une chaîne qui exploite la sortie d'un modèle génératif 3D foundation, la décompose en parts sémantiques cohérentes, puis raffine chaque part indépendamment (complétion géométrique de la matière occluse, retopologie part\-aware, raffinement de matériaux). Où la chaîne casse\-t\-elle ? Comment garantir la cohérence aux frontières inter\-parts ? Quelles briques limitent aujourd'hui le pipeline ? Comment exploiter les représentations latentes des modèles foundation pour conditionner la décomposition elle\-même, plutôt que de la traiter comme une étape indépendante ?

\>\> Profil recherchéIndispensable

• Étudiant·e en dernière année d'école d'ingénieur (3A), M2 recherche, ou doctorant en césure, en CS / ML / vision / computer graphics.


• Solides bases en deep learning : tu as déjà implémenté, entraîné, débuggé des modèles non triviaux ; tu lis des papiers récents sans lutter.


• Pratique sérieuse de PyTorch (ou framework équivalent), Python pro.


• Première expérience R\&D : stage en labo, projet de recherche encadré, contribution open source ML, publication étudiante : quelque chose de tangible.


• Goût pour la rigueur expérimentale : tu sais isoler une variable, construire une baseline, mesurer ce qui compte, raconter une histoire propre à partir de résultats.


• Autonomie scientifique : tu sais creuser un sujet seul·e, identifier les bons papiers, savoir quand demander de l'aide.


• Curiosité forte pour la 3D générative, la vision géométrique ou la synthèse d'images : tu suis l'actualité du domaine.

• Background computer graphics ou geometry processing (mesh, point cloud, signed distance functions, marching cubes, parameterization).


• Expérience préalable en 3D generative AI (image\-to\-3D, diffusion 3D, autoregressive mesh, NeRF, gaussian splatting).


• Familiarité avec les architectures VAE 3D \+ DiT ou set\-based latent (lignée 3DShape2VecSet / CLAY) et / ou les représentations latents structurés (lignée TRELLIS).


• Pratique d'outils DCC (Blender, Maya) : pas un prérequis, mais utile pour dialoguer avec les artistes.


• Publication antérieure (workshop, conférence) ou contribution open source significative.


• Sensibilité artiste ou pratique personnelle de la 3D, du dessin, du jeu vidéo.


• Bon niveau d'anglais scientifique (lecture papiers, échanges potentiels avec auteurs).

• Un vrai sujet de recherche


• Mentoring serré : le CTO (ancien encadrant CIFRE, co\-auteur ICCV/BMVC) prend personnellement la supervision scientifique.


• Stack moderne : pas de legacy lourd, on construit la nouvelle génération d'outils.


• Lyon : bureaux à Perrache (Lyon 2\), ambiance startup, déjeuners d'équipe, événements ponctuels.


• Possibilité d'embauche en CDI à la fin du stage si le fit est bon.

Lieu du poste : En présentiel

Cette annonce provient de indeed. Voir l'annonce originale ↗