Вместе с другими исследователями от американского изготовителя полупроводников Intel, а также Intel Visual Computing Institute в Саарландском университете, он поэтому разработал метод, который также работает с неполными наборами данных. Это использует специальную нейронную сеть. «Наш метод не требует никакого наблюдения во время фазы изучения, которая нова для этого типа», объясняет Фриц. Таким образом исследователи могли, например, восстановить плоский монитор, цифровое представление которого после того, как 3D просмотр походил скорее на обшитую панелями стену, так, чтобы все могли еще раз признать монитор в цифровом объекте. Программисты Саарбрюккена, таким образом, превзошли предыдущие методы, которые улучшают дефектные 3D просмотры и заканчивают цифровые формы.
Метод из Саарбрюккена дает очень хорошие результаты для классификации просмотренных объектов также. В будущем ученые намереваются далее разработать свой метод так, чтобы это также работало над непрочными объектами и более крупными сценами.«В будущем должно будет быть возможно захватить реальные объекты просто и быстро и спроектировать их реалистическим способом в мир цифровых технологий», объясняет Филипп Слусаллек, преподаватель компьютерной графики в Саарландском университете и научном директоре немецкого Научно-исследовательского центра для Искусственного интеллекта (DFKI).
В DFKI он также ответственен за европейскую совместную научно-исследовательскую работу «Распределенный 3D Дизайн Объекта» или ДИСТРИБУТИВ, если коротко, с которым Европейский союз хочет принести свои дисциплины исследования визуального вычисления и 3D компьютерной графики к центру деятельности во всем мире. С этой целью новое поколение превосходных ученых и технического персонала должно быть обучено.
Пять из 15 рекламируемых положений доктора философии были заполнены исследователями от Саарского Кампуса Информатики в Саарландском университете.Дополнительная информация: https://scalable.mpi-inf.mpg.de/vconv-dae-deep-volumetric-shape-learning-without-object-labels/