Salary :
Feed-Forward-Modelle zur 3D-Rekonstruktion können Szenengeometrie direkt aus Bildern oder Videos vorhersagen, ohne eine aufwendige szenenspezifische Optimierung zu benötigen. Durch die Kombination von großskaligem Pre-Training, Multi-View-Reasoning und starken geometrischen Priors stellen sie eine effiziente Alternative zu klassischen Rekonstruktionsverfahren wie Structure-from-Motion, NeRF und optimierungsbasiertem 3D Gaussian Splatting dar.
Trotz aktueller Fortschritte reagieren bestehende Modelle weiterhin empfindlich auf anspruchsvolle reale Bedingungen. Verdeckungen, bewegte Objekte, wechselnde Beleuchtung, Nachtaufnahmen, Reflexionen, Regen, Nebel und Schnee können zu unvollständiger Geometrie, unzuverlässigen Korrespondenzen und zeitlich inkonsistenten Vorhersagen führen. Eine höhere Robustheit unter solchen Bedingungen ist daher insbesondere für autonomes Fahren und robotische Wahrnehmung von großer Bedeutung.
Als Werkstudent*in unterstützt du die Entwicklung robuster Feed-Forward-Rekonstruktionsmodelle für dynamische Szenen. Du untersuchst Methoden zur Behandlung von Verdeckungen, Beleuchtungsänderungen und widrigen Wetterbedingungen. Darüber hinaus erforschst du, wie große Rekonstruktionsmodelle als universelle geometrische Backbones für nachgelagerte Aufgaben des 3D-Szenenverständnisses eingesetzt werden können, insbesondere für Semantic Occupancy Prediction und 4D Occupancy Forecasting.
Ihre E-Mail-Jobbenachrichtigung ist jetzt aktiv!
