Chris Liebold
Ziel von SEASONAL ist es, intelligente Deep-Learning-Modelle zu entwickeln, die in der Lage sind, Außenbilder unter verschiedenen Umgebungsbedingungen wie Jahreszeiten, Wetter und Beleuchtung zu transformieren.
Durch den Einsatz modernster Techniken des maschinellen Lernens, insbesondere bei der Bild-zu-Bild-Übersetzung, wird SEASONAL die nahtlose Transformation von Bildern zwischen verschiedenen visuellen Domänen mit hoher Qualität und Plausibilität ermöglichen. Eine der größten Herausforderungen besteht darin, mit verschiedenen Umweltveränderungen (Multi-Domain) umzugehen und gleichzeitig sicherzustellen, dass die generierten Ergebnisse kohärent und visuell realistisch bleiben.
Das Projekt adressiert auch die damit verbundenen Herausforderungen wie die Sicherstellung der Plausibilität von Transformationen, die qualitative und subjektive Verbesserung der Bildqualität sowohl qualitativ als auch subjektiv durch die Entwicklung neuer No-Reference-Qualitätsbewertungsmetriken, um die Ergebnisse effektiv zu bewerten.
Die Ergebnisse, die in SEASONAL generiert werden, können in verschiedenen Bereichen des maschinellen Sehens angewendet werden, z.B. Objekterkennung und Segmentierung, haben aber auch Anwendungen in den Bereichen Extended Reality (XR) und Content-Generierung.
