About this role
Sommersemester 2027 – befristet auf 3–6 Monate Wie lassen sich mit generativen Modellen synthetische Daten erzeugen, die nicht nur realistisch aussehen, sondern auch zuverlässig und für das Training von KI-Modellen geeignet sind? In dieser Abschlussarbeit untersuchen Sie, wie sich Simulationen und generative Modelle kombinieren lassen, um kontrollierbare Trainingsdaten für eine bestimmte nachgelagerte Aufgabe zu erzeugen. Die zentrale Herausforderung besteht darin, die visuelle Vielfalt zu erhöhen und die Unterschiede zwischen synthetischen und realen Bildern zu verringern, ohne dabei die Szenenstruktur, die Gültigkeit der Annotationen oder die Leistung des trainierten Modells zu beeinträchtigen.
Simulationen liefern präzise Annotationen und ermöglichen eine gezielte Kontrolle des Szenenaufbaus. Generative Modelle können hingegen die visuelle Vielfalt erhöhen und die Unterschiede zwischen synthetischen und realen Bildern verringern. Realistisch wirkende Bilder sind jedoch nicht automatisch für das Modelltraining geeignet. Generative Transformationen können Objektgrenzen, Sichtbarkeit, Geometrie oder Szeneninhalte verändern, sodass ursprüngliche Annotationen nicht mehr zuverlässig sind. Zudem führen gängige Bildqualitätsmetriken nicht zwangsläufig zu einer besseren Modellleistung auf realen Daten.
Ziel der Arbeit ist es, zu untersuchen, wie sich generative Pipelines zur Erzeugung synthetischer Trainingsdaten gezielt steuern und im Hinblick auf die jeweilige Zielaufgabe bewerten lassen. Als Steuerungsinformationen kommen beispielsweise Simulationsmetadaten, visuelle Konzepte, Text-Prompts, Referenzbilder, Segmentierungsmasken, Kanteninformationen, Tiefenkarten oder geometrische Vorgaben infrage.
IHRE AUFGABEN
Sie untersuchen ausgewählte Ansätze zur gezielten Steuerung der generativen Bildsynthese, bei denen die für die jeweilige Aufgabe relevante Szenenstruktur und die Gültigkeit der Annotationen erhalten bleiben. Sie bewerten die erzeugten Daten hinsichtlich ihrer visuellen Qualität, der Konsistenz der Annotationen und der Leistung bei aufgabenspezifischen Anwendungen unter realen Bedingungen. Sie identifizieren geeignete Steuerungsmechanismen und Generierungsstrategien zur Verbesserung der Pipeline für synthetische Trainingsdaten, analysieren deren Grenzen kritisch und setzen einen validierten Prototyp um.
Ziel der Arbeit ist die Entwicklung und Validierung einer Methodik und eines Prototyps zur kontrollierbaren, aufgabenspezifischen Erzeugung synthetischer Trainingsdaten. Ein wesentlicher Bestandteil der Arbeit ist die kritische Auseinandersetzung mit den zugrunde liegenden Annahmen, den Grenzen des Ansatzes und möglichen Fehlerszenarien.
IHR PROFIL
Sie absolvieren ein Masterstudium in Informatik, Künstlicher Intelligenz, Data Science, Mathematik, Robotik, Physik, Ingenieurwissenschaften oder einem verwandten Fachgebiet. Sie verfügen über gute Kenntnisse im maschinellen Lernen und Deep Learning sowie praktische Erfahrung mit Python und Computer Vision. Kenntnisse in PyTorch, Diffusionsmodellen, Simulation oder synthetischen Daten sind von Vorteil. Sie haben Interesse daran, wissenschaftliche Literatur auszuwerten, kontrollierte Experimente zu konzipieren und Ergebnisse über einzelne quantitative Kennzahlen hinaus kritisch zu bewerten.
Sie können sich schnell in komplexe technische Fragestellungen einarbeiten, arbeiten selbstständig und systematisch und kommunizieren Ihre Ergebnisse verständlich in einem interdisziplinären Team. Sie interessieren sich für generative KI, synthetische Daten, den Transfer von Simulationen auf reale Anwendungen (Sim-to-Real) und angewandte Forschung im industriellen Umfeld. Sie verfügen über gute Englischkenntnisse in Wort und Schrift. Sie erfüllen noch nicht alle Anforderungen?
Wir freuen uns trotzdem auf Ihre Bewerbung. Uns sind Neugier, Lernbereitschaft und eine systematische Herangehensweise an komplexe Fragestellungen wichtig. Fehlende Kenntnisse können Sie im Rahmen Ihrer Abschlussarbeit weiterentwickeln. Kontakt: Sarah Disch