Motivation
Heutzutage werden KI-Modelle für die Bildanalyse überwiegend mit enormen Mengen annotierter – also bekannter – Bilddaten trainiert. Dieses Vorgehen ist nicht beliebig erweiterbar, um auch komplexere Aufgabenstellungen zu lösen bzw. KI-Modelle zu erstellen, die ein breiteres Aufgabenspektrum abdecken, da es nicht möglich ist, die dafür jeweils notwendigen (Bild-)Daten in hinreichender Menge und Qualität zur Verfügung zu stellen. Es werden also andere Ansätze benötigt, die sowohl „dateneffizient“ sind als auch die Entwicklung von generalisierten KI-Modellen zur Bildanalyse erlauben.
Ziele und Vorgehen
Im Vorhaben IRRW soll durch die KI-Nachwuchsgruppe untersucht werden, inwieweit mit sogenannten generativen Modellen und inversen Methoden die bestehenden Beschränkungen überwunden werden können. Diese Modelle und Methoden zielen darauf ab, dreidimensionale Objekte, ihre Materialeigenschaften, ihre Position sowie die Beleuchtungssituation als Szene aus einem Bild zu rekonstruieren. Die dahinterstehende Idee basiert darauf, die menschliche Wahrnehmung (Erkennen von Objekten und Situationen) mit KI-technischen Hilfsmitteln nachzuempfinden. Um die notwendigen Grundlagen für ein generalisiertes KI-Modell zu schaffen, sind jedoch verschiedenste, sehr grundlegende Forschungsfragen und Herausforderungen zu lösen. So funktionieren die inversen Methoden für fotorealistische Bilder derzeit gut für die Gesichtserkennung, nicht aber für allgemeine Objekte. Es müssen also verschiedene Ansätze zur Objekterkennung auf ihre Eignung hin untersucht werden, um eine Art „generelle“ Objekterkennung zu ermöglichen. Im nächsten Schritt gilt es, aus den verschiedenen, erkannten Objekten eine Szene zu rekonstruieren und zu evaluieren, inwieweit die ermittelten Methoden die kognitive, visuelle Bildverarbeitung von Menschen nachbilden können.
Innovationen und Perspektiven
Mit dem geplanten Lösungsansatz soll ein KI-basiertes Bildverarbeitungssystem entwickelt werden, das schnell und effizient für unterschiedliche Anwendungsgebiete nutzbar ist. Die Lösungen sind neben autonomem Fahren und Robotik u.a. auch für Nutzungsszenarien aus dem Bereich Medizin von großem Interesse.