Navigation – Plan du site

Entretien avec Richard Fournier : « Pour un rendu de la lumière fondé sur la physique »

Bérénice Bonhomme

Résumés

Cet entretien avec Richard Fournier, professeur de physique, met en évidence la place des sciences dures dans les innovations technologiques participant de la transformation des métiers du cinéma, notamment lors de l’évolution numérique.

Haut de page

Entrées d’index

Haut de page

Texte intégral

En guise de préalable

1Pourquoi proposer un entretien avec un professeur de physique dans un numéro de revue consacré aux métiers du cinéma et à l’évolution numérique ? Ce choix peut surprendre, au premier abord, si on laisse de côté la façon dont les recherches en sciences dures ont influencé les innovations technologiques qui participent de la transformation des métiers du cinéma et notamment lors de l’évolution numérique. Nous allons ainsi découvrir comment une recherche en physique sur la lumière peut se retrouver utilisée par un studio tel que Disney. L’entretien reproduit ci-dessous ne peut prétendre à une fidélité entière. Il s’agit d’une retranscription à partir d’une prise de notes qui cherche à simplifier certains éléments afin de les rendre accessibles à des non-spécialistes.

2Richard Fournier est professeur de physique à l’université Paul Sabatier de Toulouse, chercheur au laboratoire CNRS-UPS-INPT LAPLACE (Laboratoire plasma et conversion d’énergie), spécialiste de la physique du rayonnement et de la thermodynamique statistique hors équilibre. Il est co-animateur de la plateforme EDStar (http://edstar.lmd.jussieu.fr/) dédiée à la simulation numérique des transferts thermiques dans les systèmes complexes industriels ou naturels (ingénierie des systèmes énergétiques, climatologie, planétologie), responsable du partenariat LAPLACE/Méso-Star (“Understanding complex systems”, https://www.meso-star.com), coordinateur méthode de l’institut des sciences de la complexité Xsys (http://xsys.fr).

3Afin de poser les prolégomènes, je voudrais commencer par deux concepts essentiels : le « Physically based rendering » et le « Teapot in a stadium », ces deux mots impliquant, en pratique, une méthode numérique que l’on appelle « Monte-Carlo ».

Physically based rendering

4Dans l’histoire des progressions des techniques permettant de créer une image numérique, les chercheurs en synthèse d’images ont petit à petit exploré la piste suivante : tenter d’obtenir une image physiquement exacte, qui ne soit plus pilotée, en ce qui concerne la construction de l’image, par la construction artistique. Ainsi la caméra, qui enregistre l’image d’un décor éclairé d’une certaine façon, serait remplacée par une création numérique, mais celle-ci resterait physiquement exacte. L’intervention artistique ne se situerait pas dans le rendu numérique mais dans le choix de l’éclairage et de la place de la caméra, comme sur un tournage en prise de vue réelle. Cet objectif est très difficile à atteindre, essentiellement pour des raisons liées aux méthodes numériques.

5Dans cette recherche, on peut identifier deux étapes :

  • Est-ce que je connais la physique ? Il est ici question des phénomènes en jeu lors de la propagation de la lumière et des données associées : les propriétés des matériaux, les caractéristiques des sources lumineuses, les caractéristiques de la caméra, etc. On appelle cela « le modèle physique ».

  • Est-ce que je sais trouver la solution des équations de la physique ? Cela s’appelle « la simulation numérique ». Une fois que le modèle est énoncé, construire l’image, c’est trouver la solution de ce modèle physique, et pour cela on utilise des méthodes numériques.

6Dans notre équipe de recherche, il n’est pas seulement question de créer des images. Notre modèle à nous, ce sont les lois de la physique du rayonnement à toutes les fréquences infrarouges et visibles, les lois de la physique interne des sources de rayonnement, de l’interaction entre le rayonnement et la matière. Nous sommes centrés sur la lumière et l’interaction entre lumière et matière, et ceci, plus précisément, dans des milieux semi-transparents, c’est-à-dire des volumes dans lesquels le rayonnement peut pénétrer et interagir à cœur. Et bien sûr, comme en synthèse d’images, nous utilisons des méthodes numériques pour mieux comprendre cette physique du rayonnement.

7Tant que la synthèse d’images ne s’intéressait pas en détail aux effets volumiques (aux milieux semi-transparents tels que des brouillards, des nuages, des fumées, des poussières), nos sciences s’enrichissaient mutuellement mais à distance, à travers la compréhension des propriétés des surfaces et le développement des outils de simulation numérique. En revanche, depuis que la précision des images de synthèse demande un travail approfondi sur les effets de volumes, depuis le « Physically based rendering » volumique, les partenariats que nous avions initiés depuis plus de 15 ans avec la communauté de synthèse d’images se sont très largement renforcés.

8Produire des images de milieux volumiques, typiquement de nuages, s’est alors retrouvé au centre de nos activités, qui restent néanmoins orientées principalement vers les sciences de l’ingénieur (chambres de combustion, centrales solaires, habitat, particulièrement dans l’infrarouge) ou vers les sciences atmosphériques (modélisation du climat terrestre, simulation des atmosphères planétaires) et la biologie. Nous allons nous concentrer ici sur la production d’images, mais nous pouvons quand même mentionner au passage un énorme bénéfice pour notre communauté grâce à cette recherche : si le « Physically based rendering » justifiait que nous apportions notre compétence de physiciens à des informaticiens de la synthèse d’images, en retour, au contact de ces informaticiens, nous avons récupéré une partie de leurs compétences en termes de gestion de la complexité des données, avec des retombées pour nous très significatives dans le champ des sciences de la complexité.

Teapot in a stadium

9C’est un exemple de scène illustrant les difficultés du rendu qui est devenu un concept : une théière de Chine, délicate, dans un stade rempli de milliers de personnes. Il faut une image qui rende compte de la subtilité des reflets dans la théière, mais aussi de tout le stade, des bâtiments à l’extérieur du stade, etc. « Teapot in a stadium » est devenu synonyme du rendu en présence de rapports d’échelles immenses, alliant infiniment petit et infiniment grand.

La méthode de « Monte-Carlo »

10C’est une méthode de calcul numérique qui s’appuie sur des procédés aléatoires. Elle est employée en physique des particules depuis l’origine de la simulation numérique. Elle est apparue dans le domaine du rendu en réponse à la fois au « Physically based rendering » et au « Teapot in a stadium » et elle est aujourd’hui devenue la méthode de rendu principale dans l’industrie du cinéma (pas encore dans le jeu vidéo, du fait des exigences de temps réel).

11Sans rentrer dans les détails, pour résoudre les équations de la physique du rayonnement, on se retrouve à devoir calculer des intégrales. Il y a essentiellement deux manières d’évaluer numériquement l’intégrale d’une fonction, de façon déterministe ou aléatoire. Pendant longtemps (et c’est encore le cas pour le jeu vidéo), les méthodes déterministes étaient plus rapides que les méthodes aléatoires. Mais ce n’était vrai que parce que le niveau de raffinement de la physique pris en compte était faible et parce que l’on s’en tenait à des rapports d’échelles géométriques limités.

  • 1 Cette méthode a été développée à partir de 1947 par Nicholas Metropolis. Le nom « Monte-Carlo » fai (...)

12Aujourd’hui, on souhaite affiner la description physique et on s’intéresse à des rapports d’échelles immenses. Face à ce double besoin, seules les approches aléatoires restent praticables dans des temps de calcul raisonnables. « Monte-Carlo »1 est le nom générique des ces approches aléatoires. Il faut bien entendre ici qu’à ce stade la physique reste déterministe : il ne s’agit pas de rajouter une composante aléatoire dans la propagation du rayonnement (ce qui pourrait avoir un sens), mais seulement de se servir de tirages aléatoires réalisés par un ordinateur pour évaluer l’intensité et la dépendance fréquentielle de la lumière incidente sur un pixel de la caméra. C’est exactement comme si vous lanciez une pièce de monnaie un grand nombre de fois dans le but de calculer 1/2 : vous comptez 0 à chaque fois que la pièce tombe sur pile et 1 sur face. En faisant la moyenne de ces 0 et de ces 1, vous trouverez bien la solution voulue : 1/2. L’inconvénient d’une telle approche est que le temps de calcul est long pour des problèmes simples (il faudra lancer beaucoup de pièces pour évaluer 1/2 avec précision). L’avantage est que le temps de calcul est très peu sensible à la complexification du calcul effectué, et que le temps restera à peu près le même pour un problème complexe.

  • 2 Pour plus d’informations sur San Fransokyo, voir Beckett Mufson, « Here's How Disney Built Its Bigg (...)

13Historiquement, on estimait l’approche « Monte-Carlo » trop coûteuse. Mais à partir du moment où l’on a obtenu la puissance de calcul qui permettait le rendu d’une scène simple en « Monte-Carlo », alors tout est devenu possible puisque le coût restait le même pour une scène compliquée. Et dans le monde de l’aléatoire, cette affirmation reste vraie à l’infini. Par exemple, ce que voit la caméra, ce sont des rayons que reçoit l’objet et qui peuvent eux-mêmes avoir été réfléchis par un autre objet et cela potentiellement jusqu’à l’infini, un infini que « Monte-Carlo » n’a typiquement aucune difficulté à gérer du fait de son fondement aléatoire. On abandonne l’idée d’un calcul exact (on évaluera 1/2 avec un niveau de précision qui dépendra du nombre de lancers et l’on ne calculera jamais 1/2 exactement), mais on devient insensible à la complexité. Pour se faire une idée des raisons de cette insensibilité, un point clef est de comprendre qu’une moyenne d’une moyenne demeure une moyenne : avec « Monte-Carlo », chaque complexification de la scène ou chaque raffinement de l’interaction rayonnement-matière se traduit par un emboîtement de nouvelles intégrales et chaque intégrale est vue comme une moyenne. On fait donc des moyennes de moyennes de moyennes, etc. Mais quel que soit le niveau de complexité de la scène, le temps de calcul est presque le même : il est essentiellement piloté par le phénomène le plus difficile à décrire, indépendamment du fait que ce phénomène soit ou non combiné avec un grand nombre d’autres phénomènes. Cela permet de rendre des images d’une incroyable complexité, comme l’illustre parfaitement l’exemple de la ville de San Fransokyo, une ville construite par Disney pour les besoins du film Big hero 62 (Les Nouveaux Héros, 2014).

14Au sein du corpus de la physique du rayonnement, notre équipe de recherche est spécialiste de la conception de tels algorithmes de « Monte-Carlo ». Nous prétendons donc avoir une très bonne connaissance de l’ensemble de la littérature de recherche concernant cette méthode (essentiellement depuis les années 1950). Mais nous nous sommes rendu compte que les informaticiens de l’image de synthèse, en prenant connaissance de cette littérature, aussi bien en physique qu’en mathématiques, s’en sont nourris et l’ont prolongée dans de nombreuses directions. Au début, en travaillant avec eux, je pensais que je rencontrerais des chercheurs qui ne connaîtraient « Monte-Carlo » que superficiellement. Je m’attendais à ce qu’ils aient beaucoup de choses à nous apprendre en ce qui concerne la description des géométries complexes et la gestion efficace de grandes quantités de données. Mais ils avaient très clairement aussi de nouvelles choses à dire sur la méthode « Monte-Carlo » elle-même. Ils avaient notamment établi de nouveaux concepts qui permettaient un découpage rigoureux entre l’algorithme (le balayage statistique des chemins optiques) et l’accès à la donnée. Le concept de grille accélératrice, par exemple, nous était connu mais nous n’en avions pas perçu la portée de ce point de vue, c’est-à-dire en termes « d’orthogonalité donnée/traitement de la donnée ». Nous avons beaucoup avancé grâce à leurs compétences. Ils étaient ravis d’avoir des physiciens et ils nous aidaient, en retour, dans la conceptualisation du rapport à la donnée. En effet, « Monte-Carlo » accepte la complexité des données, c’est son avantage essentiel. Puisque la méthode le permet, nous augmentons cette complexité des jeux de données, notamment leur taille. Mais davantage de données implique davantage de mémoire. La problématique peut alors devenir la suivante : comment accéder à des données qui sont disponibles sur des disques mais qui ne rentrent pas dans la mémoire vive du calculateur ? C’est actuellement un des enjeux les plus importants et le travail au contact des chercheurs en images de synthèse nous a permis de réfléchir à nos chemins optiques en relation avec la structure des données d’une façon totalement renouvelée qui n’aurait jamais pu naître dans la seule communauté physicienne.

Lumière et volumes

15Pour l’instant, tout ce que nous avons dit de l’utilisation de techniques statistiques pour construire des images physiquement réalistes n’aurait été valable que si le milieu était transparent et que la seule chose à prendre en compte était la succession des réflexions multiples sur des surfaces entre la source de lumière et la caméra. À ma connaissance, c’était d’ailleurs le seul objectif dans les premiers temps de l’utilisation de la méthode « Monte-Carlo » en synthèse d’images, où la question de représenter des nuages, des fumées, etc. restait secondaire par rapport à la question d’augmenter le niveau de précision de la description des objets surfaciques dans la scène. Le « Teapot in a stadium » n’avait pas besoin d’une physique en volume pour poser la question de l’infinité des rapports d’échelle. Et effectivement, pour nous qui sommes des spécialistes des effets de volumes, les solutions proposées par la synthèse d’images dans ce domaine nous semblaient grossières et ne pouvaient pas être une réelle source d’inspiration. Pour les surfaces, j’ai insisté sur ce que nous avons appris au contact des informaticiens, mais l’histoire de nos recherches communes sur les volumes s’est principalement jouée en sens inverse.

16De notre côté, pour des besoins en lien avec les sciences de l’ingénieur, essentiellement pour la simulation des transferts thermiques liés au rayonnement infrarouge dans les gaz, nous avons initialement essayé d’explorer les raisons pour lesquelles tout devenait beaucoup plus difficile, même avec « Monte-Carlo », dès que le milieu situé entre les surfaces solides (l’air, les gaz de combustion) interagissait avec le rayonnement. Pour cela, nous avons revisité une méthode très ancienne, celle des « collisions nulles ». Le but était de rendre de nouveau possible cette « orthogonalité entre donnée/traitement de la donnée » qui nous avait apporté tant de bénéfices pour le rayonnement entre surfaces. En volume, on passe à une atténuation du rayonnement en exponentielle (la loi de Beer), ce qui fait que l’on sort du linéaire et donc le concept de « la moyenne d’une moyenne est une moyenne » ne marche plus. On se retrouve alors à créer des algorithmes ad hoc qui s’appuient sur la forme de la donnée, et les artistes (dans le domaine de la synthèse d’images) ou les ingénieurs doivent, à nouveau, réfléchir à la forme des données qu’ils produisent et intégrer des contraintes de calcul à leur processus créatif. La technique des collisions nulles fait disparaître les contraintes liées à cette exponentielle. Elle existait déjà depuis les années 1960, elle était connue sous d’autres noms par les informaticiens de la synthèse d’images, mais on n’avait pas encore compris que les collisions nulles faisaient « sauter » la non-linéarité.

17Prenons un exemple : un rayon qui passe dans le ciel et traverse un nuage sur une longueur L. Si le nuage était homogène tout serait simple : l’atténuation du rayon se ferait selon une exponentielle de la forme exp(-kL) où k est le coefficient d’extinction qui dépend de la densité de gouttes. Il n’y aurait aucune autre physique à prendre en compte pour prévoir cette extinction. Dans ce cas, tout se passerait comme avec les seuls effets de surface. Du fait de sa capacité à emboîter des moyennes, la méthode de « Monte-Carlo » permettrait de raffiner à souhait la description géométrique et texturale de la scène tout en continuant à gérer exactement les réflexions multiples et même les diffusions multiples, c’est-à-dire des événements où un rayon rencontre une goutte, est dévié par cette goutte, en rencontre une seconde et ainsi de suite. Les effets qui brouillent la vision dans un brouillard en constituent un exemple. Mais les nuages sont rarement homogènes et il suffit de penser à un champ de cumulus pour voir à quel point leur hétérogénéité est essentielle pour le rendu. Ainsi, dès que l’on souhaite tenir compte de cette hétérogénéité, le terme qui apparaît à l’intérieur de l’exponentielle n’est plus seulement proportionnel à la longueur. Il est construit le long du chemin en regardant la densité de gouttes à chaque endroit. Il est une intégrale et la méthode de « Monte-Carlo » regarde cette intégrale comme une moyenne : la moyenne de la densité de gouttes le long du chemin. Mais alors on se retrouve à balayer statistiquement des chemins optiques (première moyenne) le long desquels on construit l’atténuation comme l’exponentielle d’une moyenne de gouttes (seconde moyenne). Et voilà la difficulté : « la moyenne d’une exponentielle d’une moyenne » ce n’est pas « la moyenne d’une moyenne ». Et tous les bénéfices de « Monte-Carlo » sont perdus.

18Face à cette difficulté, l’idée des collisions nulles est assez simple. Pour résumer : on va majorer l’atténuation en rajoutant des gouttes virtuelles de façon à rendre le nuage homogène (le nuage ou n’importe quel milieu participant en volume, comme de la fumée par exemple). Si on ne faisait que ça, l’image serait facile à construire, mais elle ne serait pas du tout fidèle : un champ de cumulus deviendrait un couvert nuageux homogène. Il faut donc compenser l’effet des gouttes virtuelles que nous venons de rajouter. Pour cela, on se sert encore une fois de l’aléatoire. Lorsqu’un rayon rencontre une goutte, on tire aléatoirement le type de goutte rencontré : une vraie goutte ou bien une goutte virtuelle ? Si on tombe sur une vraie goutte, alors le rayon est diffusé normalement. Si on tombe sur une goutte virtuelle, le rayon continue tout droit comme si rien ne s’était passé. Cette astuce peut paraître triviale, mais quand on prend le temps de regarder en détail comment elle transforme l’emboîtement des moyennes, on voit que, très rigoureusement, elle fait « sauter » la non-linéarité de l’exponentielle et elle redonne tout son pouvoir statistique à la méthode « Monte-Carlo ». Elle permet de raffiner un nuage à l’infini exactement de la même façon que l’on pouvait raffiner les surfaces.

  • 3 M. Galtier, S. Blanco, C. Caliot, C. Coustet, J. Dauchet, M. El Hafi, V. Eymet, R. Fournier, J. Gau (...)

19Nous avons publié plusieurs articles sur le concept de collisions nulles entre 2013 et 20183 et ces recherches ont trouvé des applications dans des domaines très divers, par exemple en météorologie, dans le cadre du projet ANR High-Tune, où nous produisons effectivement des images de nuages synthétisés par Météo-France.

Exemples d’images de nuages et d’atmosphères

Ce sont des images brutes, sans post-traitement de type filtrage. C’est donc la pure grandeur physique, avec des fluctuations liées à l’estimation par une méthode aléatoire. Pour le cinéma, à cette étape, on filtre ces fluctuations résiduelles.

  • 4 Le SIGGRAPH est un séminaire américain sur l’infographie. Il est organisé annuellement par le Speci (...)
  • 5 Les trois articles de Disney qui s’appuient sur nos travaux :
    J. Novák, A. Selle, and W. Jarosz, “Re (...)

20Mais à ce stade, ce qui nous semble le plus riche de promesses à la fois scientifiques et techniques, c’est le fait que ces recherches ont été reprises lors du SIGGRAPH4 2017. Le studio Disney, en particulier, s’est servi de ce nouveau regard pour avancer sur la lumière volumétrique5 et s’est lancé dans un travail de codage intensif sur cette base. Le niveau de réalisme des images n’est plus du tout le même. Plus rien ne nous semble naïf dans ce que Disney propose aujourd’hui pour rendre compte de la poussière en l’air, de la fumée, etc. Et si nous nous fions à notre expérience des quinze années précédentes, lorsque nous nous inspirions des avancées de cette communauté pour améliorer nos algorithmes de représentation des surfaces complexes, alors nous pouvons prévoir que, maintenant que cette communauté peut travailler en finesse sur la représentation des volumes, les bénéfices pour nous seront rapidement très importants car on peut imaginer que ces studios n’en sont qu’au début de leur théorisation de la complexité des volumes.

  • 6 Voir URL : https://www.meso-star.com/fr/. Dernière consultation le 18 février 2019.

21Suite à nos travaux sur cette interface avec les chercheurs en informatique, nous avons accompagné la naissance d’une startup : « Méso-Star » (une ingénierie de la complexité)6, dans laquelle travaillent deux physiciens et deux informaticiens, qui valorisent les recherches d’un point de vue industriel, proposant des méthodes statistiques de résolution de problèmes thermiques et énergétiques. Pour l’instant, la question du cinéma restait finalement un peu annexe et comme à la marge. Mais, avec toutes ces perspectives nouvelles, nous commençons à être sollicités par des studios à ce sujet et cela sera peut-être à l’origine de collaborations innovantes.

Haut de page

Notes

1 Cette méthode a été développée à partir de 1947 par Nicholas Metropolis. Le nom « Monte-Carlo » fait référence aux jeux de hasard (et d’argent) du casino de Monaco.

2 Pour plus d’informations sur San Fransokyo, voir Beckett Mufson, « Here's How Disney Built Its Biggest World Ever for ‘Big Hero 6’ », Vice, 26 novembre 2014. Voir URL : https://www.vice.com/en_us/article/yp5www/heres-how-disney-built-its-biggest-world-ever-for-big-hero-6. Dernière consultation le 18 février 2019.

3 M. Galtier, S. Blanco, C. Caliot, C. Coustet, J. Dauchet, M. El Hafi, V. Eymet, R. Fournier, J. Gautrais, A. Khuong, B. Piaud, G. Terrée, “Integral formulation of null-collision Monte Carlo algorithms”, Journal of Quantitative Spectroscopy and Radiative Transfer, 125 (2013), p. 57-68.
M. Galtier, S. Blanco, J. Dauchet, M. E. Hafi, V. Eymet, R. Fournier, M. Roger, C. Spiesser, G. Terrée, “Radiative transfer and spectroscopic databases: A line-sampling monte carlo approach”, Journal of Quantitative Spectroscopy and Radiative Transfer, 172 (2016), p. 83- 97. Eurotherm Conference No. 105: Computational Thermal Radiation in Participating Media V.
J. Dauchet, J.-J. Bézian, S. Blanco, C. Caliot, J. Charon, C. Coustet, R. Fournier…, (2018), Addressing nonlinearities in Monte Carlo, Scientific reports, 8(1), 13302.

4 Le SIGGRAPH est un séminaire américain sur l’infographie. Il est organisé annuellement par le Special Interest Group on Computer Graphics and Interactive Techniques (SIGGRAPH) de l’ACM (Association for Computing Machinery). De nombreux professionnels et experts s’y retrouvent pour présenter leurs recherches et les progrès dans le domaine de l’infographie et la programmation graphique.

5 Les trois articles de Disney qui s’appuient sur nos travaux :
J. Novák, A. Selle, and W. Jarosz, “Residual ratio tracking for estimating attenuation in participating media”, ACM Trans.Graph., 33 (2014), p. 179:1-179:11.
P. Kutz, R. Habel, Y. Li, and J. Novák, “Spectral and decomposition tracking for rendering heterogeneous volumes”, ACMTransactions on Graphics (Proceedings of SIGGRAPH 2017), 36 (2017).
J. Novák, I. Georgiev, J. Hanika, and W. Jarosz, “Monte carlo methods for volumetric light transport simulation”, State of the Art Reports, Eurographics, 37 (2018).

6 Voir URL : https://www.meso-star.com/fr/. Dernière consultation le 18 février 2019.

Haut de page

Table des illustrations

URL http://journals.openedition.org/map/docannexe/image/3359/img-1.png
Fichier image/png, 561k
Haut de page

Pour citer cet article

Référence électronique

Bérénice Bonhomme, « Entretien avec Richard Fournier : « Pour un rendu de la lumière fondé sur la physique » », Mise au point [En ligne], 12 | 2019, mis en ligne le 21 décembre 2019, consulté le 24 janvier 2020. URL : http://journals.openedition.org/map/3359 ; DOI : 10.4000/map.3359

Haut de page

Auteur

Bérénice Bonhomme

Bérénice Bonhomme est MCF en cinéma à l’université de Toulouse II Jean Jaurès (ENSAV). Elle est membre junior de l’Institut universitaire de France et elle fait partie du laboratoire de recherche LARA-SEPPIA. Actuellement elle travaille sur les thématiques suivantes : Image et imaginaire ; La technique cinématographique dans son rapport à la création ; La question de l’équipe de film. Elle coordonne avec Katalin Pór (université de Lorraine, 2L2S) un projet de recherche sur l’équipe de film intitulé : « Création Collective au Cinéma ».

Articles du même auteur

Haut de page

Droits d’auteur

Licence Creative Commons
Les contenus de la revue Mise au point sont mis à disposition selon les termes de la Licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.

Haut de page
  • Logo AFECCAV
  • Logo DOAJ - Directory of Open Access Journals
  • OpenEdition Journals