SEASONAL - Smart Estimation and Alteration of Scenes in Outdoor and Nature Areas using machine Learning

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 befasst sich auch mit den damit verbundenen Herausforderungen, wie z.B. der Sicherstellung der Plausibilität von Transformationen, der qualitativen und subjektiven Verbesserung der Bildqualität sowohl qualitativ als auch subjektiv durch die Entwicklung neuer No-Reference-Qualitätsbewertungsmetriken, um die Ergebnisse effektiv zu bewerten.

     

Publikationen:


- Leveraging Diffusion-Based Augmentation for Robust Semantic Segmentation - ICMLA'25

METADATEN

Projektlaufzeit: | 3 Jahre

Projektbeginn: | 2024

Projektträger: | DFG

Projektnummer: | 535507286