DIPM: Datengetriebene Inverse Prozedurale Modellierung

Dieses Projekt entwickelt neue Verfahren zur 3D Rekonstruktion komplexer Objekte. Diese Verfahren nutzen gelerntes semantisches Vorwissen, repr?sentiert über prozedurale Modelle, um trotz partieller oder verrauschter Daten, robuste L?sungen zu liefern. Dazu werden KI Methoden zur Geometriesch?tzung erarbeitet, indem datengetrieben strukturelle und topologische Regeln erlernt und bei der Rekonstruktion als Vorwissen berücksichtigt werden. Hierfür wird auf Fortschritte im Bereich Natural Language Processing und Reinforcement Learning zurückgegriffen, um die Repr?sentation prozeduraler Modellierung für die Rekonstruktion zug?nglich zu machen. Zum Beispiel wird bei B?umen so erlernt, dass sich hinter Bl?ttern ?ste befinden müssen, welche die Bl?tter verbinden, und kleine ?ste über gr??ere mit dem Stamm verbunden sind. Dieses Projekt erarbeitet folgende Beitr?ge:
- Die Optimierung einer generalisierten Repr?sentation von prozeduralen Modellen, welche das Training der zu entwickelnden Methoden verbessert und verschiedene prozedurale Modelle kombiniert.
- Die multiview und monokulare 3D Rekonstruktion durch datengetriebene inverse prozedurale Modellierung.
- Methoden der Ableitung prozeduraler Modelle anhand von Beispieldaten.