Les données géométriques issues de scènes réelles, comme les images de profondeur 2D et les nuages de points 3D, sont utilisées dans diverses applications, notamment la conduite autonome et la réalité virtuelle. Les méthodes traditionnelles de traitement d'images et de vidéos sont limitées par l'échantillonnage irrégulier de ces données. Le traitement de signal sur graphe (GSP) permet de traiter ces signaux irréguliers et apporte des interprétations spectrales précieuses pour les réseaux de neurones sur graphe (GNNs), améliorant ainsi leur interprétabilité et leur robustesse. Cette présentation se concentrera sur trois projets de recherche démontrant l'efficacité du GSP pour l'apprentissage de structures géométriques, l'apprentissage de représentations de graphes non supervisé et l'analyse interprétable basée sur les connaissances préalables en GSP.