En tant qu’une nouvelle alternative à la MoCap standard, la capture de surface 4D est motivée par la demande croissante des produits médiatiques de contenu 3D très réaliste. Ce type de données fournit une information complète et réelle de la forme, l’apparence et la cinématique de l’objet dynamique d’intérêt. On aborde dans cet ouvrage certaines taches liées à l’acquisition et l’exploitation de données 4D, obtenues à travers les vidéos multi-vues, avec un intérêt particulier aux formes humaines en mouvement. Parmi ces problèmes, certains ont déjà reçu beaucoup d’intérêt de la part des communautés de vision par ordinateur et d’infographie, mais plusieurs challenges restent ouverts à cet égard. En particulier, nous abordons la synthèse d’animation basée sur des exemples, la modélisation d’apparence, le transfert sémantique de mouvement et la génération de variation de mouvement. On introduit premièrement une méthode pour générer des animations en utilisant des séquences de maillages de mouvements élémentaires d’une forme donnée. De nouveaux mouvements satisfaisant des contraintes haut-niveau sont construites en combinant et interpolant les trames des données observées. Notre méthode apporte une amélioration local au processus de la synthèse grâce à l’optimisation des transitions interpolées, ainsi qu’une amélioration globale avec une structure organisatrice optimale qu’on appelle le graphe essentiel. On aborde en suite la construction de représentations efficaces de l’apparence de formes en mouvement observées à travers des vidéos multi-vue. On propose une représentation par sujet qui identifie la structure sous-jacente de l’information d’apparence relative à une forme particulière. La représentation propre résultante encode les variabilités d’apparence dues au point de vue et au mouvement avec les textures propres, et celles dues aux imprécisions locales dans le modèle géométrique avec les déformations propres. Outre fournir des représentation compactes, ces décompositions permettent aussi l’interpolation et la complétion des apparences. On s’intéresse aussi au problème de transfert de mouvement entre deux modèles 4D capturés. Etant donné des ensembles d’apprentissages pour deux sujets avec des correspondances sémantiques éparses entre des poses clés, notre méthode est capable de transférer un nouveau mouvement capturé d’un sujet vers l’autre. Nous contribuons principalement un nouveau modèle de transfert basé sur l’interpolation non-linéaire de pose et de déplacement qui utilise les processus Gaussiens de régression. Finalement, on propose une solution pour générer des variations de modèles 4D capturés, pour l’augmentation automatique et l’amélioration du réalisme des bases de données 4D. Etant donné quelques modèles 4D représentant des mouvements du même type, notre méthode construit un plongement probabiliste à basse dimension des poses en utilisant les modèles de processus Gaussiens dynamiques, et des variantes nouvelles de mouvement sont obtenues en échantillonnant des trajectoires dans l’espace sous-jacent grâce a une chaîne de Markov de Monte Carlo. On peut synthétiser un nombre illimité de variations des mouvements en entrée ainsi que toute version interpolée de ces derniers. On obtient en sortie des séquences statistiquement similaires aux entrées avec de légères différences dans les poses et leur timings.