Lennart Pyritz: Noch bis morgen findet in Los Angeles die größte Messe und Konferenz über Computergrafik statt – die Siggraph. Wer Computergrafik für eine Nischenanwendung hält, irrt. Eine riesige Industrie hängt daran, nämlich die Filmindustrie. Ohne die auf der Siggraph in den letzten Jahrzehnten wesentlich mitgeprägten technischen Entwicklungen wäre Spiderman heute noch ein Zeichentrickfilm. Maximilian Schönherr, Sie kennen die Siggraph seit den 1990er-Jahren und beobachten die Konferenz für uns jetzt von Köln aus. Was fiel Ihnen auf?

Maximilian Schönherr: Angesichts einiger hundert Vorträge und Poster sehr viel. Ich picke einmal zwei wissenschaftliche Forschungsprojekte heraus, die gestern vorgestellt wurden und die mir typisch für die aktuellen Entwicklungen in der Computergrafik scheinen. Gestern Nachmittag um halb drei – das war bei uns in Deutschland kurz vor Mitternacht, stellten zwei Forscherinnen der ETH Zürich eine Arbeit vor, die mit Computergrafik scheinbar gar nichts zu tun hat, nämlich die Herstellung harmonischer Schnittmuster für Kleidung. Katja Wolff und Olga Sorkine-Hornung haben eine Software entwickelt, mit der man regelmäßige Muster, also etwa Karos oder Streifen, über die Nähte einer Bluse oder einer Hose verteilt, ohne dass man die Nähte wahrnimmt.

Pyritz: Das betrifft Übergänge wie an den Ärmeln, wo das Muster immer durchbrochen wird?

Schönherr: Ja. Das ist ein mathematisches Problem, das in der Computergrafik UV-Mapping heißt. U und V sind die zwei Dimensionen einer Fläche im Raum. Bei einer Tischdecke ist das einfach, denn die Fläche ist plan. Bei einem Ärmel ist das schon schwieriger. Der Ärmel ist geometrisch ein Zylinder, er hat eine lange Naht, und an der Naht dafür zu sorgen, dass das Muster des Stoffs harmonisch verläuft, ist schwierig. Kleidungsdesigner haben diese Musterbrüche bisher mit Erfahrung und auch mit Software versucht zu minimieren. Aber die Software diente nur zur Visualisierung, sie schlägt keine Arrangements des Musters vor, so dass zum Beispiel der Abnäher an der Taille nicht mehr so spitzdreieckig auffällt. Diese Lösung kommt nun von der ETH in Zürich, mit einem geführten Algorithmus, der dem Designer unter Umständen sogar sagt: Ändere dein Muster, denn so krieg ich das nicht hin.

Pyritz: Das klingt praktisch anwendbar. Sind die auf der Siggraph vorgestellten Arbeiten alle nah an der Praxis?

Schönherr: Eigentlich schon immer. Selbst bei sehr abstrakten Verfahren zur sagen wir mal Optimierung von Grafikkarten bei der Simulation von Rauchpartikeln – kann man davon ausgehen, dass der Algorithmus wenig später in Computerspielen genutzt wird. Ein weiteres Beispiel: Am Montagvormittag stellten mehrere junge Wissenschaftler aus den USA und Kanada die – nicht erschrecken – "Hyperparameter-Optimierung bei der Black Box-Bildverarbeitung mit differenzierbaren Proxys" vor. Hyperparameter sind ein Begriff aus der Künstlichen Intelligenz-Forschung. Bei der Arbeit geht es darum, mit Maschinenlernverfahren die Bilder von Kameras zu optimieren.

Pyritz: Lassen sich denn die Smartphone-Hersteller gerne in die Karten schauen, wenn es um ihre Kamerafunktionen geht?

Schönherr: Deswegen stand das Wort "Black Box" auch im Zentrum des Vortrags. Traditionell gibt es die sogenannten "Golden Eyes". Das sind Menschen, die bei Apple, Samsung, Huawei, Canon, Nikon arbeiten und sich monatelang Bilder ansehen, die die Chips aufnehmen und deren Farbe und Kontrast von einem Computerprogramm interpretiert werden. Sie sagen dann: Das Bild ist von den Farben her zu kalt, oder der Algorithmus hat die Tischkante hinten im Dunkeln nicht erkannt. Diese Arbeit nimmt das neuronale Netz den Golden Eyes nun zum Teil ab.

Pyritz: Die Künstliche Intelligenz sieht also nicht in die Kamerachips und die dahinter liegende Software hinein?

Schönherr: Genau, sie sieht sich nur an, was in die "Black Box Kamera" hinein- und aus ihr herauskommt. Und um das Training abzukürzen, setzen Ethan Tseng und seine Kollegen die Hyperparameter-Optimierung ein, ein immer wichtigeres Verfahren beim Maschinenlernen. Klassisch spricht man von Parametern, die die Software selbst lernt, um dann neu einlaufende Daten entsprechend zu gewichten. Ein Hyperparameter wacht über den Lernprozess als Ganzes. Letztendlich zielt die Software der Bildinterpretation mit Neuronalen Netzen auf Spezialeinsätze. Beispiel: Ein Autohersteller kauft preiswert in großen Stückzahlen eine kleine Kamera mit hoher Lichtstärke, um damit nachts den Gegenverkehr zu erkennen.

Pyritz: Zum Beispiel für das autonome Fahren wichtig.

Schönherr: Die Kamera kommt aber von einem Hersteller, der nie an Lichtpaare im Dunklen gedacht hat, die immer größer werden und plötzlich verschwinden. In diesem Fall wird das neuronale Netz auf Scheinwerfer trainiert und all die Ästhetik, die die Kamera an schön sonnigen Tagen liefern könnte, spielt keine Rolle.