Informatik-Kolloquien
355. Informatik-Kolloquium
Vorträge im Rahmen des Berufungsverfahrens W3-Professur Visual Computing
Mittwoch, 04.06.2025, Straße der Nationen 62, Böttcher-Bau, A12.336 (alt: 1/336)
4. Juni 2025, 09:00 Uhr - Herr Prof. Kai Lawonn
„Methoden des Generativen Visual Computings“
In dieser Lehrprobe werden zentrale Methoden des generativen Visual Computings vorgestellt – also Verfahren, mit denen visuelle Inhalte algorithmisch erzeugt werden können. Dabei reicht das Spektrum von regelbasierten, symbolischen Modellen bis hin zu modernen, datengetriebenen neuronalen Netzwerken. Den Anfang bilden Lindenmayer-Systeme (L-Systems), die ursprünglich zur Modellierung von Pflanzenwachstum entwickelt wurden. Mit Hilfe einfacher Ersetzungsregeln lassen sich durch rekursive Anwendung komplexe Strukturen wie Äste, Blätter oder ganze Wälder erzeugen. Eng verwandt sind Fraktale und rekursive Algorithmen, die auf mathematischer Selbstähnlichkeit basieren. Sie kommen besonders bei der Darstellung von Landschaften, Wolken oder Küstenlinien zum Einsatz. Ein weiterer bedeutender Ansatz ist die prozedurale Texturierung, etwa durch Perlin Noise. Dieses von Ken Perlin entwickelte Verfahren erlaubt es, natürliche Muster wie Marmor, Feuer oder Wolken durch kontinuierlich variierende Zufallsfunktionen zu erzeugen – ohne dafür große Texturbibliotheken speichern zu müssen. Für die Simulation dynamischer Effekte wie Rauch, Funken oder Explosionen bieten sich Partikelsysteme an. Hier werden tausende kleine Partikel physikalisch oder stochastisch gesteuert, um visuell komplexe Erscheinungen zu erzeugen. William T. Reeves setzte dieses Prinzip 1982 erstmals in „Star Trek II“ für den sogenannten Genesis-Effekt ein. Einen anderen Weg der Bildgenerierung beschreitet die Textursynthese, wie sie Alexei Efros und Thomas Leung entwickelt haben. Hier wird aus einem kleinen Beispielmuster ein größeres Bild erzeugt, das statistisch ähnlich, aber nicht identisch ist – ein Verfahren, das in Bereichen wie Inpainting, Style Transfer und Computerspieleentwicklung große Bedeutung hat. Mit dem Aufkommen des maschinellen Lernens haben sich schließlich zwei besonders mächtige Methoden etabliert: Variational Autoencoder (VAEs) und Generative Adversarial Networks (GANs). VAEs lernen, Daten in einem kontinuierlichen, probabilistischen Raum zu repräsentieren, aus dem sich durch Sampling neue Varianten generieren lassen. GANs hingegen nutzen ein wettstreitendes Lernprinzip zwischen Generator und Diskriminator, um besonders realistische Bilder zu erzeugen – darunter künstliche Gesichter, Kunstwerke oder fotorealistische Szenen. Diese Methoden zeigen exemplarisch, wie durch Regeln, Statistik oder neuronale Modelle visuelle Inhalte entstehen können. Sie sind die Grundlage für viele Anwendungen im Film, in der digitalen Kunst, in der Computerspielentwicklung sowie in Bereichen wie Augmented Reality und KI-gestütztem Design.
„Visual Computing for Data-Driven Exploration“
The increasing availability of complex and high-dimensional data across scientific and technical domains presents new challenges for interpretation, exploration, and communication. In this talk, I will present recent research that bridges interactive visualization, machine learning, and user-centered interface design to enable deeper insights into large and heterogeneous data spaces. My work focuses on developing scalable visual analytics techniques that combine GPU-accelerated rendering with adaptive, task-driven interaction. These methods support dynamic exploration of abstract data models, such as those derived from probabilistic or generative processes, and emphasize responsive visual environments that empower users to pose questions and discover patterns intuitively. The talk aligns with key areas of Visual Computing, including computer graphics, data visualization and analysis, human-computer interaction, and machine learning for visual data. I will conclude with a perspective on future directions, including collaborative analysis environments and adaptive, narrative-driven visualization systems.
4. Juni 2025, 10:40 Uhr – Herr Prof. Marco Körner
„Methoden des Generativen Visual Computings“
Diese Lehrprobe führt in die grundlegenden Prinzipien und Methoden des Generativen Visual Computings ein. Wir untersuchen Modelle des maschinellen Lernens, die in der Lage sind, die inhärente Datenverteilung komplexer visueller Inhalte zu erlernen, um daraus neue, synthetische Dateninstanzen zu generieren und zu manipulieren. Ausgehend von klassischen Autoencodern werden die Konzepte der Variational Autoencoders (VAEs) und Generative Adversarial Networks (GANs) als Schlüsselarchitekturen vorgestellt. Darüber hinaus beleuchten wir das transformative Potenzial generativer Modelle anhand ausgewählter Anwendungsbeispiele, insbesondere im Kontext der Fernerkundung und Erdbeobachtung, und diskutieren deren aktuelle Herausforderungen und Perspektiven.
"Focusing on the Planet: How Visual Computing Decodes Earth's Transformation"
This talk will present research results at the intersection of computer vision and machine learning, as well as remote sensing and Earth observation. In particular, the decisive contribution that can be made to observing, analysing, and interpreting the rapid changes on our planet by visual computing will be highlighted. To this end, innovative approaches for the intelligent processing of extremely large, multi-temporal, and multi-spectral geodata are being developed, from object detection to the monitoring of dynamic processes. The focus is on applying and further developing modern machine learning methods, such as recurrent neural networks, attention architectures, and generative models, to solve socially relevant problems, drive forward future methodological developments in visual computing, and identify potential synergies with existing expertise at Chemnitz University of Technology.
Alle interessierten Personen sind herzlich eingeladen!