Detailseite
Auflösungserhöhung von Punktwolken unter Verwendung von dünnbesetzten Frequenzmodellen
Antragsteller
Professor Dr.-Ing. André Kaup
Fachliche Zuordnung
Kommunikationstechnik und -netze, Hochfrequenztechnik und photonische Systeme, Signalverarbeitung und maschinelles Lernen für die Informationstechnik
Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
Förderung
Förderung seit 2024
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 532402151
Die zunehmende Aufnahme unserer Umgebung für Anwendungen der virtuellen und erweiterten Realität, für das autonome Fahren, in Archäologie und Architektur erhöht signifikant den Bedarf von Punktwolken. Punktwolken sind ein dreidimensionaler Datentyp. Für jeden Punkt einer Punktwolke werden die dreidimensionalen Koordinaten sowie potenziell ein Attribut gespeichert. Attribute können beliebig gewählt werden, von Farbe über Normalenvektoren bis hin zu Intensitätswerten. Dadurch zeichnen sich Punktwolken für eine vielfältige Verwendung in beliebigen Anwendungsszenarien aus. Allerdings ist der Aufnahmeprozess von Punktwolken aufwändig, da hier jeder Punkt individuell aufgenommen werden muss. Aus diesem Grund wird eine Technik benötigt, die aus einer niedrig aufgelösten Punktwolke eine hoch aufgelöste Punktwolke künstlich erzeugt. Dieses Problem wird als Auflösungserhöhung von Punktwolken bezeichnet. Aktuelle Verfahren aus dem Stand der Technik beinhalten zahlreiche Nachteile. Einige haben die Voraussetzung, dass die Punkte der Punktwolke auf einem gerasterten Gitter liegen, andere wiederum benötigen Normalenvektoren als Attribute. Diese sind nicht immer verfügbar und meist nur ungenau zu berechnen, da Punktwolken ein stark rauschbehafteter Datentyp sind. Datengetriebene Ansätze sind meist für einen Anwendungsfall trainiert. Eine Generalisierung auf neue Datensätze und andere Skalierungsfaktoren der Punktwolke ist daher ohne weiteres Training nicht möglich. Aus diesem Grund ist das Ziel dieses Projektes, die Auflösungserhöhung von Punktwolken zu verbessern. Hierzu werden dünnbesetzte Frequenzmodelle betrachtet. Diese werden iterativ und blockbasiert erstellt und konnten bereits sehr gute Ergebnisse sowohl für die Auflösungserhöhung in der Geometrie als auch für Farbe bei Punktwolken zeigen. Für eine weitere Qualitätsverbesserung wird die Auflösungserhöhung der Geometrie auf die zugrunde liegende Punktwolke angepasst. Außerdem wird die Geometrieinformation für die Auflösungserhöhung des Attributes mit in Betracht gezogen, um die Qualität der hochgetasteten Attribute weiter zu erhöhen. Auch werden weitere Attribute abgesehen von Farbe betrachtet und es soll speziell berücksichtigt werden, dass Punktwolken häufig verrauschte Messdaten enthalten, beispielsweise beim LiDAR. Durch die Kombination der Auflösungserhöhung von Geometrie und Attributen entsteht ein sequenzieller Prozess zur Auflösungserhöhung von Punktwolken. Das finale Ziel dieses Projekts ist es, dieses Wissen in eine Technik zur gemeinsamen Auflösungserhöhung von Geometrie und Attribut zu transferieren. Ein derartiger Ansatz ist bis jetzt noch nicht publiziert und lässt eine signifikant verbesserte Qualität von Punktwolken erwarten.
DFG-Verfahren
Sachbeihilfen