Visual Computing

Institut für Informatik – Abteilung II

Die Abteilung für Visual Computing an der Universität Bonn widmet sich verschiedenen Aspekten visueller Informationen, darunter 2D/3D-Bilder und -Formen, volumetrische Videos, 3D-Objekte und -Szenen. Diese Daten werden mit modernen Methoden der Datenanalyse und Visualisierung, Augmented und Virtual Reality, Telepräsenz und/oder visueller Mensch-Maschine-Interaktion kombiniert. Sie bilden die Grundlage für ein breites Spektrum aktueller und zukünftiger Anwendungen. Dazu gehören die (bio-)medizinische Analyse und Visualisierung, virtuelle Experimente in den Grundlagenwissenschaften, virtuelle Produktion, 3D-Spiele und das Metaverse.

In unserer Forschung verfolgen wir einen umfassenden, interdisziplinären Ansatz, der ein Spektrum unterschiedlicher wissenschaftlicher Disziplinen integriert und verschmilzt sowie disziplinübergreifende Forschungsmethoden einsetzt. Unsere Bemühungen stellen eine Verschmelzung von Methoden aus Bereichen wie Computer Vision, sensorische Datenverarbeitung, geometrische Berechnung, generative Modellierung, Mustererkennung, physikalisch informierte Simulation, Rendering und visuelle Analyse dar. Diese Integration stützt sich auf einen soliden theoretischen Rahmen von Optimierungsstrategien, der durch die Anwendung moderner Methoden des Maschinellen Lernens und des Deep Learning ergänzt wird. Unser Ziel ist es, die Synthese, Verarbeitung und Analyse visueller Daten zu verbessern, die Effizienz zu steigern und das Verständnis für komplexe visuelle Datenstrukturen zu vertiefen.

Highlights aus der Forschung

PDE-Annäherung: Wie Hermite-Spline-Netzwerke physikalische Probleme schnell lösen

Unser Spline-PINN-Ansatz erlaubt schnelle Simulationen von dynamischen PDEs (z. B. Flüssigkeiten). Dazu werden Neuronale Netze physikalisch & selbstüberwacht trainiert.

Zur Publikation

Maschinelles Lernen in der Analyse von 3D-Modellen

Unsere 3D-Shape-Matching-Lösung nutzt Deep Learning mit spektraler Regularisierung im unüberwachten Training. In neun Datensätzen übertrifft sie frühere Ansätze der Matching-Qualität.

Zur Publikation

Haar-Rendering: Unser Mikrofacetten-Modell setzt neue Maßstäbe in der Computergrafik

Wir stellen neue physikalisch plausible, effizient berechenbare Modelle für die Lichtstreuung an Federn und Haaren vor.

Zur Publikation

Effiziente Algorithmen für präzise die Fasertrakt-Rekonstruktion im Gehirn

Wir entwickeln robuste und effiziente Algorithmen, um Fasertrakte im menschlichen Gehirn zu rekonstruieren. Die Ergebnisse werden in der Operationsplanung und in den Neurowissenschaften benötigt.

Zur Publikation

Arbeitsgruppen

Die Abteilung II „Visual Computing“ besteht aus mehreren Arbeitsgruppen unter der Leitung von Prof. Dr. Florian Bernard, Prof. Dr. Matthias B. Hullin, Prof. Dr. Reinhard Klein, Prof. Dr. Thomas Schultz, Dr. Eduard Zell und. Dr. Zorah Lähner.

Die Arbeitsgruppe „Learning and Optimisation for Visual Computing“ strebt mit ihrer Forschung eine intelligente visuelle Datenverarbeitung an, indem sie Berechnungsmodelle mit fortgeschrittenen maschinellen Lerntechniken kombinieren, um menschliches Wissen einzubeziehen. Dies verhindert, dass maschinelle Lernsysteme unnötige Ressourcen aufwenden müssen, um bereits bekanntes neu zu erlernen, und bietet eine breite Palette potenzieller Anwendungen in Bereichen des autonomen Fahrens, der medizinischen Bildanalyse, dem Human Performance Capture sowie der Video- und Filmproduktion.

Die Arbeitsgruppe „Digital Material Appearance“ beschäftigt sich mit der Messung, Simulation, Analyse und Invertierung der Ausbreitung von Licht in komplexen optischen Konstellationen. Die in der AG entwickelten Modelle und Verfahren ermöglichen nicht nur überzeugendere digitale Zwillinge real weltlicher Objekte, sondern liefern auch neue Analysewerkzeuge für Geometrie und optische Eigenschaften der uns umgebenden Welt.

In der Arbeitsgruppe „Computer Graphics“ werden auf profunden theoretischen Grundlagen, ausgestattet mit soliden Kenntnissen im Maschinellen Lernen, Algorithmen und Verfahren in den Bereichen Geometry Processing, 3D Vision, Rendering, Simulation und Echtzeitgrafik entwickelt. Die Motivation liefern offene Probleme in Anwendungen, wie der 3D-Spieleentwicklung, Medizinischen Bildverarbeitung, Architektur, den Ingenieurswissenschaften und besondere Herausforderungen, wie die Entwicklung eines Telepräsenzsystems.

Eine Auswertung der großen, komplexen und dynamischen Mengen von Bilddaten, die Forschung und Medizin erzeugen, erfordert Unterstützung durch automatische Bildanalyse sowie interaktive Visualisierung, Maschinelles Lernen sowie mathematische Modellierung. Die Forschung der Arbeitsgruppe „Visualization and Medical Image Analysis“ in diesem Bereich reicht von methodischen Grundlagen zu zahlreichen Kooperationen mit Anwendern innerhalb der Universität Bonn und über sie hinaus.

Die Arbeitsgruppe „Geometry in Machine Learning" von Juniorprofessorin Dr. Zorah Lähner betreibt die Analyse und Optimierung von geometrischen Objekten mittels maschineller Lernansätze. Die geometrische Optimierung hat dabei in vielerlei Hinsicht das Potenzial, Algorithmen und neuronale Netze zur verbessern, z. b. durch Reduzierung der Dimensionalität von Problemen, eine vereinfachte Darstellung oder die Verwendung von Approximationstechniken. Mögliche Anwendungsgebiete liegen in den Bereichen Virtual Reality, der Medizin und Physik.