![\"\"](\"https:\/\/www.vdsm.net\/wronline\/wp-content\/uploads\/2022\/04\/3D_Mensch_WEB.jpg\")
<\/a>Selbst mit professionellen Akquise-Ger\u00e4ten l\u00e4sst sich nicht komplett verhindern, dass 3D-Rekonstruktionen sogenanntes \u201eRauschen\u201c enthalten: Hier zum Beispiel L\u00f6cher, fehlende Details oder Unebenheiten auf der Oberfl\u00e4che.<\/p><\/div>\n
\u201eUnsere Welt ist dreidimensional, deshalb ist es nur nat\u00fcrlich, dass man die Dinge auch in 3D darstellt\u201c, erkl\u00e4rt L\u00e4hner. Geometrische 3D-Daten seien zudem das R\u00fcckrat vieler Anwendungen in der Computergrafik und Vision \u2013 von selbstfahrenden Autos, \u00fcber die Virtuelle Realit\u00e4t bis hin zu medizinischen Anwendungen. \u201eEs wird in Zukunft immer mehr 3D-Aufnahmen geben, erste Ger\u00e4te und Apps daf\u00fcr sind ja schon auf dem Markt. Mein Ziel ist es, dass alles, was man heute schon mit Fotos machen kann, k\u00fcnftig auch mit 3D-Daten m\u00f6glich ist.\u201c<\/p>\n
Der Ansatz der Informatikerin: Die der 3D-Bearbeitung zugrundeliegenden, geometrischen \u201eDeep Learning-Methoden\u201c robuster und flexibler zu machen. \u201eDeep Learning\u201c ist ein Teilbereich der K\u00fcnstlichen Intelligenz. Die Algorithmen orientieren sich dabei an der Struktur des menschlichen Gehirns und werden als neuronale Netze bezeichnet. \u201eF\u00fcr 3D-Daten gibt es zwar schon sehr viele neuronale Netze \u2013 aber die funktionieren nur, wenn die Daten qualitativ sehr hochwertig sind\u201c, erkl\u00e4rt L\u00e4hner.<\/p>\n
Gerade 3D-Aufnahmen von Laien enthalten jedoch oft kleine St\u00f6rungen wie Rauschen oder Unsch\u00e4rfen, was in der Bearbeitung schnell zu Problemen f\u00fchrt. Eine weitere H\u00fcrde stellen die verschiedenen Formate bzw. Repr\u00e4sentationsformen dar, in denen 3D-Objekte dargestellt werden k\u00f6nnen \u2013 von sogenannten \u201ePunktwolken\u201c, bis hin zu Fl\u00e4chen- und Volumenmodellen. Bisher m\u00fcssen Anwenderinnen und Anwender ihre Darstellungen h\u00e4ufig erst m\u00fchsam konvertieren, um sie zu bearbeiten. \u201eDas liegt daran, dass die Bearbeitungsmethoden nur f\u00fcr bestimmte Repr\u00e4sentationen funktionieren. Ich m\u00f6chte die Methoden hinsichtlich der Formate flexibler machen\u201c, sagt L\u00e4hner.<\/p>\n
Im ersten Schritt plant die geb\u00fcrtige K\u00f6lnerin, einen neuen Datensatz mit einem m\u00f6glichst breiten Spektrum an 3D-Daten anzulegen: Daten, die mit unterschiedlicher Hardware aufgenommen wurden und in verschiedenen Repr\u00e4sentationen und Qualit\u00e4ten vorliegen. Auf dieser Grundlage m\u00f6chte sie anschlie\u00dfend die dem Deep Learning zugrunde liegenden neuronalen Netze \u201etrainieren\u201c: \u201eIdealerweise stelle ich mir am Ende ein neuronales Netz vor, in das man eine beliebige 3D-Darstellung eingeben kann \u2013 egal mit welchen Ger\u00e4t oder in welcher Qualit\u00e4t sie aufgenommen wurde und in welcher Repr\u00e4sentation sie vorliegt \u2013 und man bekommt bei der Bearbeitung auch als Laie und ohne gro\u00dfen Mehraufwand das gew\u00fcnschte Ergebnis.\u201c<\/p>\n
Das Landesprogramm \u201eKI-Starter\u201c ist Teil der F\u00f6rderlinie \u201eK\u00fcnstliche Intelligenz\/Maschinelles Lernen\u201c und richtet sich an junge Wissenschaftlerinnen und Wissenschaftler aus dem Bereich K\u00fcnstliche Intelligenz oder Maschinelles Lernen nach der Promotion. Mehr Informationen finden Sie unter: https:\/\/www.mkw.nrw\/hochschule-und-forschung\/foerderungen\/foerderlinie-kuenstliche-intelligenz-maschinelles-lernen<\/a><\/em><\/p>\n