1. Warum ist es überhaupt schwierig, bestehende Gebäude digital wirklich zu verstehen?

Viele moderne 3D-Methoden können beeindruckend realistische digitale Modelle erzeugen. Doch zwischen einer visuellen Rekonstruktion und einem strukturellen Verständnis gibt es einige Unterschiede.
Ein Gebäude ist nicht nur eine Ansammlung von Oberflächen: Es besteht aus Volumen, räumlichen Beziehungen, Ebenen und geometrischen Regelmäßigkeiten. Viele aktuelle Verfahren modellieren Szenen jedoch implizit – sie reproduzieren, wie etwas aussieht, aber nicht unbedingt, wie es aufgebaut ist.
Im Kontext des Fokusthemas USP ist genau diese Lücke spannend: Wie können digitale Methoden helfen, bestehende Strukturen nicht nur zu visualisieren, sondern auch zu erfassen?

2. Was war Deine Motivation für LinPrim – welches Problem wolltest Du lösen?

Viele leistungsfähige 3D-Rekonstruktionsmethoden basieren heute auf kontinuierlichen Feldern oder punktartigen Darstellungen. Diese sind sehr flexibel, aber oft schwer zu interpretieren und nur bedingt mit klassischen geometrischen Workflows kompatibel.
Die Motivation hinter LinPrim war daher: Können wir eine Repräsentation entwickeln, die sowohl differenzierbar und optimierbar ist, also mit modernen ML-Methoden trainierbar ist, als auch eine explizite geometrische Struktur besitzt?
Wir wollten eine Darstellung schaffen, die näher an klassischen volumetrischen oder mesh-basierten Konzepten liegt, ohne dabei auf die Vorteile datengetriebener Optimierung zu verzichten.

3. Einfach erklärt: Wie funktioniert LinPrim?

LinPrim modelliert eine Szene nicht als kontinuierliches Feld, sondern als Sammlung kleiner volumetrischer Bausteine, sogenannter linearer Primitive, etwa Tetraeder oder Oktaeder.
Jedes dieser Elemente besitzt: klar definierte Flächen, ein explizites Volumen sowie parametrisierbare Eigenschaften wie Farbe oder Dichte. Diese Primitive werden so optimiert, dass sie aus gegebenen Bildern eine konsistente 3D-Rekonstruktion erzeugen. Durch einen speziell entwickelten, differenzierbaren Rasterizer können wir Gradienten berechnen und das gesamte System end-to-end optimieren.
Das Ergebnis ist eine Szene, die aus expliziten geometrischen Elementen zusammengesetzt ist – also nicht nur ein abstraktes Feld, sondern eine strukturierte volumetrische Repräsentation.

4. Was macht diesen Ansatz im Vergleich zu anderen Methoden besonders?

Viele moderne Ansätze priorisieren visuelle Qualität und Effizienz. LinPrim verfolgt zusätzlich ein strukturelles Ziel. Durch die expliziten, volumetrischen Primitives entsteht eine Repräsentation, die geometrisch interpretierbarer ist, näher an klassischen CAD- oder Mesh-Modellen liegt und die strukturelle Analyse erleichtern könnte.
Für Anwendungen in der Bauplanung oder der Bestandsanalyse ist genau diese Explizitheit interessant. Wenn die interne Repräsentation bereits aus klar definierten Volumenelementen besteht, wird der Schritt zur strukturellen Interpretation deutlich kürzer.

5. Was hat im Projekt besonders gut funktioniert und was war schwieriger als erwartet?

Besonders spannend war zu beobachten, wie stark die Wahl der Repräsentation das Verhalten des gesamten Systems beeinflusst. Kleine Designentscheidungen bei der Geometrie der Primitives hatten große Auswirkungen auf Stabilität und Qualität. Herausfordernd war vor allem die Entwicklung eines effizienten, differenzierbaren Rasterizers, der sowohl numerisch stabil als auch für größere Szenen skalierbar ist. Hier treffen Mathematik, GPU-Implementierung und Optimierung eng aufeinander.
Solche Projekte zeigen, wie wichtig es ist, nicht nur neue Ansätze zu entwerfen, sondern auch grundlegende Repräsentationen zu hinterfragen.

Für weitere Informationen wenden Sie sich bitte an Nicolas von Lützow.