Xiumei Li (M.Sc.)

Meine Forschung konzentriert sich auf lernbasierte skalierbare Punktwolkenkompression. Im Vergleich zu 2D-Bildern bieten Punktwolken reichhaltigere räumliche Informationen und ein immersiveres visuelles Erlebnis, weshalb sie in Bereichen wie Virtual/Augmented Reality, industrieller Robotik und autonomem Fahren широко eingesetzt werden. Aufgrund ihres hohen Datenvolumens ist eine effiziente Kompression für Speicherung und Übertragung unerlässlich. Während traditionelle hybride Verfahren zur Punktwolkenkompression auf handentwickelten Priors beruhen, die die Kompressionsleistung einschränken, haben neuere tiefenlernungsbasierte Ansätze deutliche Verbesserungen erzielt. Allerdings sind die meisten bestehenden lernbasierten PCC-Verfahren auf ein einzelnes Qualitätsniveau ausgelegt und daher für praktische Szenarien mit Anforderungen an flexible Bitratenanpassung und Rekonstruktion in mehreren Qualitätsstufen nur bedingt geeignet. Meine Arbeit setzt genau hier an, indem sie skalierbare lernbasierte Methoden zur Punktwolkenkompression entwickelt, die eine effiziente Dekodierung mehrerer Qualitätsstufen aus einem einzigen Bitstrom ermöglichen.

Ich biete regelmäßig Themen für Abschlussarbeiten und Forschungspraktika in den Bereichen lernbasierte Punktwolkenkompression und 3D-Gaussian-Splatting-Kompression an. Vorkenntnisse in Deep Learning sowie in Python und PyTorch sind wünschenswert. Bei Interesse freue ich mich über eine E-Mail mit einer kurzen Beschreibung Ihrer Forschungsinteressen, Ihrem Lebenslauf, Ihrem Notenauszug und gegebenenfalls relevanten Vorerfahrungen im Bereich der Bild- oder Datenverarbeitung.