Letztes Update: 29. Juni 2026, 16:33h
Wie auf der Hauptseite beschrieben, können Sie eines der unten genannten Themen auswählen; es ist aber auch möglich, eigene Vorschläge einzubringen (dies bitte möglichst bereits in der Vorbesprechung diskutieren/absprechen).
Um ein Thema (verbindlich!) zu wählen, posten Sie den Namen des Papers in den Teams-Kanal “Themenauswahl”. Schauen Sie dort vorher nach, ob das Thema schon vergeben wurde. Falls Sie einen eigenen Vorschlag machen möchten, besprechen Sie dies bitte zunächst mit uns in den entsprechenden Treffen. Themen grundsätzlich first-come-first-served vergeben (bei ernsten Problemen mit der Themenauswahlwahl bitte melden).
Seminarvorträge
Jedes Thema besteht grundsätzlich aus ein oder mehreren wissenschaftlichen Veröffentlichungen. Aufgabe für das Seminar ist es, die wichtigen / interessanten Inhalte dieser Veröffentlichung(en) wiederzugeben. Die Entscheidung darüber, was besonders betont werden soll, liegt dabei bei den Studierenden, die das Thema bearbeiten. Teil der Bewertung ist dabei natürlich auch, wie gut diese Auswahl gelungen ist (hat man wirklich entscheidende Aspekte verstanden und gut vermittelt?). Ein Fokus auf eine Teilmenge der Inhalte ist dabei eigentlich immer notwendig. Es gibt auch Themen, mit sehr umfangreichen Materialien; man muss in solchen Fällen nicht alles detailliert durcharbeiten; auch dabei ist ein Fokus auf das Wesentliche wichtig.
Für jedes Thema ist i.d.R. angegeben, ob es für B.Sc. oder M.Sc. geeignet ist. M.Sc. Sollte keine Zuordnung angegeben sein, so ist das Thema für beide Studienabschnitte wählbar (dann mit höheren Erwartungen im Master). “Master”-Themen sind immer auch für B.Sc. Studierende zulässig.
Experimente für Seminarvortrag und Ausarbeitung
Dieses Semester ist der experimentelle Teil optional, d.h., Sie haben grundsätzlich zwei Möglichkeiten:
Wenn nur die Originalquellen zusammengefasst werden, muss die Ausarbeitung ausführlicher sein als wenn eigene Experimente gemacht werden (ca. 2x so viel Umfang). Bei einer experimentellen Ausarbeitung sollten die Originalquelle auch ganz kurz beschrieben werden; dies ist aber nicht der Hauptfokus.
Details siehe hier.
Diese Themen passen zur Deep-Learning Veranstaltung (ggf. auch Modellierung 1 bei Vorkenntnissen in ML).
Paper:
Guillermo Valle-Pérez, Chico Q. Camargo, Ard A.
Louis
Deep learning generalizes because the parameter-function map is
biased towards simple functions
ICLR 2019
https://openreview.net/forum?id=rye4g3AqFm
Inhalt: Anhand von Experimenten mit Boolschen Funktionen stellen die Autoren fest, dass DNNs einen starken Bias zu einfach kodierbaren Funktionen haben.
Aufgabe: Stellen Sie das Kernergebnis des Papers vor und erklären Sie, auf welcher Grundlage die Autoren zu ihrem Schluss kommen (Nicht von formalen Details ablenken lassen :-) ).
Paper:
Chris Mingard, Guillermo Valle-Pérez, Joar Skalse, Ard A.
Louis:
Is SGD a Bayesian sampler? Well, almost.
Journal of Machine Learning Research 22 (2021)
1-64
https://www.jmlr.org/papers/volume22/20-676/20-676.pdf
Inhalt: Das Paper liefert Indizien dafür, dass unter gewissen Bedingungen das Optimieren von DNNs mit SGD äquivalent zu Sampling aus der Initialisierungsverteilung ist, wobei man mit dem Sampling stoppt, wenn der Datenterm richtig passt (es gibt natürlich einige Subtilitäten zu beachten, wie immer.)
Aufgabe: Das Kernergebnis des Papers erklären, und vorstellen, welche Evidenz die Autoren dafür gefunden haben. (Das Paper ist relativ lang, daher der Fokus auf das Wesentliche!)
Paper:
Chris Mingard, Henry Rees, Guillermo Valle-Pérez, Ard A
Louis:
Deep neural networks have an inbuilt Occam’s razor
Nature Communications volume 16, Article number: 220,
2025.
https://www.nature.com/articles/s41467-024-54813-x
Inhalt: In dieser Folgearbeit wird herausgearbeitet, dass DNNs bevorzugt “einfache” Funktionen lernen. Einfachheit wird dabei mit Hilfe von Kompressionsverfahren gemessen.
Aufgabe: Auch in diesem Paper werden viele Dinge angesprochen – arbeiten Sie die wichtigsten Ergebnisse heraus und stellen Sie vor, welche Evidenz die Autoren einbringen, um ihre These zu belegen.
Paper:
Jonathan Vacher:
Deep Neural Networks as Iterated Function Systems
and a Generalization Bound
Arxiv Preprint: https://arxiv.org/abs/2601.19958
Inhalt: Das Paper zieht eine interessante Verbindung zwischen Fraktalen Modellen und Deep Neural Networks.
Aufgabe: Erklären Sie die Kernkonzepte und die Kernideen. Da es sich um eine Vorabveröffentlichung handelt, macht es durchaus Sinn, den Text besonders kritisch anzuschauen.
Diese Themen sind auf die Veranstaltung “Statistical Geometry Processing” ausgerichtet. Bei allen Themen geht es um Symmetrieerkennung, also darum, wiederkehrende Bausteine in Geometrie zu erkennen. Eine Kombination mit “Modellierung 1” ist ebenfalls möglich, bei geeigneten Vorkenntnissen.
Aufgabe: In allen Fällen handelt es sich um angewandte Papers, die Methoden vorstellen. Teilweise sind die konzeptionell einfach aber relativ komplex, teilweise eher theoretisch motiviert. Sie sollten in jeden Fall die Kernideen herausarbeiten und kritisch hinterfragen, in welchen Szenarien die Methoden funktionieren können bzw. welche expliziten oder impliziten Annahmen gemacht werden, damit die Methoden einsetzbar sind. Dies stammt alles noch aus einer Zeit vor dem DL-Rush, also bevor Mustererkennung “einfach” geworden war :-)
Inhalt: Eines der bekanntesten Papers zu dem Thema; es nutzt eine Variante der Hough-Transformation zur Erkennung wiederkehrender Korrespondenzen.
Mitra N. J., Guibas L., Pauly M.:
Partial and approximate symmetry detection for 3d geometry.
Siggraph 2006.
http://vecg.cs.ucl.ac.uk/Projects/SmartGeometry/approx_symmetry/approx_symm_sig_06.html
Inhalt: Ein weiterer Klassiker – diesmal wird die Methode aus B.1 auf die Erkennung regelmäßig wiederkehrender Muster erweitert.
Pauly M., Mitra N. J., Wallner J., Pottmann H., Guibas
L.:
Discovering structural regularity in 3D geometry.
SIGGRAPH 2008
http://vecg.cs.ucl.ac.uk/Projects/SmartGeometry/structure/paper_docs/structure_sig_08.pdf
Inhalt: Eine unserer eigenen Arbeiten zu dem Thema. Durch Nutzung robuster Features kann man gute praktische Ergebnisse für bestimmte Arten von Szenen bekommen.
Bokeloh M., Berner A., Wand M., Seidel H.-P.,
Schilling A.:
Symmetry detection using line features.
Eurographis 2009
https://www.staff.uni-mainz.de/wandm/papers/SymmetryDetectionUsingFeatureLines.pdf
Inhalt: Eine wirklich hübsche Anwendung: Automatisierung von 3D Editing durch Ausnutzung von Regularitäten.
Paper:
R. Gal, O. Sorkine , N. J. Mitra, D.
Cohen-Or:
iWires: An Analyze-and-Edit Approach to Shape Manipulation.
Siggraph 2009
https://igl.ethz.ch/projects/iWires/index.php
Level: Eher M.Sc.
Paper:
Kim V., Lipman Y., Chen X., Funkhouser T.:
Mobius transformations for global intrinsic symmetry
analysis.
Symposium on Geometry Processing 2010
https://vovakim.com/projects/MobiusSymmetry/
Inhalt: Wie wäre es mit intrinsischer Symmetrie (globale Symmetry in Bezug auf intrinische Isometrien)? Diese Arbeit ist mathematisch sehr elegant, indem sie die Einbettung von Symmetrien in die größere Gruppe konformer Abbildungen ausnutzt.
In diesem Abschnitt geht es um Papiere, die Methoden aus Modellierung 1 einsetzen (in Anwendung auf Probleme in der Computer Graphik und Vision).
Die ersten beiden Papers handeln von Symmetrie in Geometrie; diese beiden Papers können aber auch für Statistical Geometry Processing gewählt werden.
Paper:
Xiaokun Wu, Michael Wand, Klaus Hildebrandt, Pushmeet
Kohli, Hans-Peter Seidel:
Real-Time Symmetry-Preserving Deformation.
Computer Graphics Forum 33(7) (Pacific Graphics
2014)
https://graphics.tudelft.nl/~klaus/papers/SymDef.pdf
Inhalt: Noch ein Ergebnis aus unserer eigenen Gruppe. Man kann eine strukturerhaltende Deformation eines geometrischen Objektes als Funktion, die Gruppenwirkungen isomorph erhält charakterisieren, was zu einem einfachen (fast) linearen Gleichungssystem führt, was man schnell und einfach lösen kann. Das klingt alles sehr kompliziert, ist es aber gar nicht. Die Idee ist ziemlich simpel :-)
Aufgabe: Was ist die Kernidee, und wie wurde die umgesetzt? Es lohnt sich auch, kritisch zu diskutieren, wie tragfähig der Ansatz in der Praxis sein könnte.
Paper:
Martin Bokeloh, Michael Wand, Hans-Peter Seidel, Vladlen
Koltun:
An Algebraic Model for Parameterized Shape Editing.
SIGGRAPH 2012.
https://www.staff.uni-mainz.de/wandm/papers/algebraic-model-siggraph2012.pdf
Inhalt: Ein System, das reguläre Muster in Formen unter Deformationen/Editieren erhält. Relativ viel Engineering, aber die Kernidee(n) ist (sind) relativ einfach.
Aufgabe: Was sind die Kernideen, und wie wurde die umgesetzt? Wozu braucht man eigentlich die SVD? Auch hier: Es lohnt sich, kritisch zu diskutieren, wie tragfähig der Ansatz in der Praxis sein könnte, und wo er nicht mehr funktionieren wird.
Level: Eher M.Sc.
Paper:
F. Kenton Musgravet, Craig E. Kolb, Robert S.
Mace:
The Synthesis and Rendering of Eroded Fractal Terrains.
SIGGRAPH 1989.
https://rayshade.com/doc/FractalTerrainMusgraveKolbMace.pdf
Zusatzinfos / Literatur: Die Dissertation von K.
Musgrave erklärt das alles noch ausführlicher:
https://www.kenmusgrave.com/dissertation.pdf
Inhalt: K. Musgrave ist einer der Pioniere der Modellierung von fraktalen Landschaften mit Wahrscheinlichkeitsdichten, die stochastische Fraktale sind. Klingt kompliziert, ist aber einfach nur Rauschen im Fourier-Spektrum, und sieht nett aus. Das Paper oben ist eine bekannte Referenz, die Dissertation von Herrn Musgrave erklärt es alles viel ausführlicher und kleinschrittig. Wir wollen aber nur das wesentliche Verstehen:
Aufgabe: Es geht diesmal nicht unbedingt darum, alles aus dem Paper nachzuerzählen, sondern die folgende Frage im Kern zu beantworten: Wie erzeugt man eine fraktale Landschaft mit “fractal Brownian motion” (“FBM-noise”)? Der Aspekt mit der Erosions-Simulation, der im Paper sehr betont wird, ist hier nicht wichtig (man kann das auch gerne erklären, wäre aber nicht nötig). Vorschlag ist, den Fokus auf as FBM-Modell zu legen: Was ist ein stochastisches Fraktal, und wie wird hier eine Normalverteilung im Funktionenraum (unabhängig gesamplete Fourier-Koeffizienten mit fallender Varianz) zur Modellierung benutzt?
Level: Eher M.Sc. (Theorielastig geschrieben, aber eigentlich nicht super kompliziert; man muss Mathematik aber schon mögen)
Inhalt: Man berechnet Distanzen auf Oberflächen von 3D Objekten indem man eine Variante von Diffusion mit einer Biharmonischen Energie (Δ2 statt Δ) benutzt. (Anwendungsgebiet ist Computer Graphik.)
Paper:
Yaron Lipman, Raif M. Rustamov, Thomas A.
Funkhouser:
Biharmonic distance
ACM Siggraph 2010 (Transactions on Graphics 29(3)).
https://www.cs.princeton.edu/~funk/biharmonic.pdf
Aufgabe: Beschreiben Sie die Kernideen; es macht auch Sinn, den Hintergrund (Diffusionsdistanzen etc.) kurz zu diskutieren, damit man versteht, worum es hier geht.
Inhalt: Ein Klassiker: Wenn man Daten glättet (hier 3D meshes aus einem Scanner), dann gehen schnell scharfe Features verloren. Was macht man? Heavy-Tail statistics, robuste Funktionale, sub-quadratische Regularisierer. Dieses Paper zeigt den Ansatz in Reinform. Und auf 3D Meshes, was die Sache besonders interessant macht.
Paper:
James R. Diebel, Sebastian Thrun, Michael
Bruenig:
A Bayesian Method for Probable Surface Reconstruction and
Decimation
ACM Transactions on Graphics 25(1), 2006
https://robots.stanford.edu/papers/diebel.surface.pdf
Aufgabe: Wie funktioniert die Methode, und was ist die Kernidee dabei? Wie sind die Ergebnisse? Naja, das übliche halt… :-)
Inhalt: Der ARC Challenge ist legendär – können uns Puzzlespiele, die für Menschen einfach aber für Computer Schwierig sind mehr über das Wesen der Intelligenz verraten? Hier ein Ansatz rein auf Basis von Computer Vision.
Paper:
Keya Hu, Ali Cy, Linlu Qiu, Xiaoman Delores
Ding,
Runqian Wang, Yeyin Eva Zhu, Jacob Andreas, Kaiming
He:
ARC Is a Vision Problem!
CVPR 2026
https://arxiv.org/pdf/2511.14761
Aufgabe: Wie haben die das gemacht, wie funktioniert das, was ist das wichtigste? (Erklären Sie die wesentlichen Ideen des Papers :-))
Inhalt: Mit sehr vielen Beispieldaten kann man alles Segmentieren – ein Foundation-Modell für Segmenetierung.
Paper:
Alexander Kirillov, Eric Mintun, Nikhila
Ravi,
Hanzi Mao, Chloe Rolland, Laura Gustafson,
Tete Xiao, Spencer Whitehead, Alexander C.
Berg,
Wan-Yen Lo, Piotr Dollár, Ross Girshick:
Segment Anything
ICCV 2023
https://openaccess.thecvf.com/content/ICCV2023/papers/Kirillov_Segment_Anything_ICCV_2023_paper.pdf
Aufgabe: Was wurden gemacht, was waren die wesentlichen Techniken, Experimente und Ergebnisse (also: das Paper erklären).
Level: Eher M.Sc. (Vorkenntnisse in ML nötig: SVMs, MRFs)
Inhalt: Zu Beginn der 2010er Jahre war das eines der allerbesten Modelle für Object Detection in Bildern. Die Zeiten ändern sich. Es ist interessant, zurückzuschauen, um zu sehen, wie man die Probleme früher verstanden hat.
Paper:
Pedro Felzenszwalb, David McAllester, Deva
Ramanan:
A Discriminatively Trained, Multiscale, Deformable Part
Model
CVPR 2008
https://cs.brown.edu/people/pfelzens/papers/latent.pdf
Aufgabe: Erklären Sie die Methode (das Paper).
Level: Eher M.Sc. (man muss D.3 grob verstanden haben, das Paper selbst ist aber nicht so schwer zu verstehen)
Inhalt: Man kann die DPMs aus D.3 auch als CNNs modellieren. Im Vergleich zu “richtigen” CNNs schneiden die original DPMs aber eher schwächer ab.
Paper:
Ross Girshick, Forrest Iandola, Trevor Darrell, Jitendra
Malik:
Deformable Part Models are Convolutional Neural Networks
CVPR 2015
https://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Girshick_Deformable_Part_Models_2015_CVPR_paper.pdf
Aufabe: Paper erklären/vorstellen.