Die Anzahl der 3D-Objekte ist in den letzten Jahrzehnten stark angewachsen, jedoch können wir erwarten, dass sie in Zukunft noch viel weiter wachsen wird. Auch für Laien werden 3D-Objekte immer zugänglicher. Die wachsende Menge an verfügbaren 3D-Daten ist für alle, die mit dieser Art von Daten arbeiten, sehr zu begrüßen, da die Erstellung und Beschaffung vieler 3D-Objekte immer noch aufwendig ist. Nach wie vor sind die überwiegende Mehrheit der verfügbaren 3D-Objekte nur als reine Polygonnetze vorhanden. Da diese Objekte auch zu großen Teilen von Laien stammen oder 3D-Scans von realen Objekten darstellen, die aus automatischen Systemen stammen, können wir nicht davon ausgehen, dass Metadaten und zusätzliche Semantiken mitgeliefert werden. Aus diesem Grund wurden inhaltsbasierte Such- und Klassifizierungstechniken für 3D-Objekte entwickelt.

Viele Systeme basieren auf dem unüberwachten Fall. Bisherige Arbeiten haben jedoch gezeigt, dass es Möglichkeiten gibt, die Präzision durch die Nutzung von Vorkenntnissen stark zu erhöhen. In dieser Arbeit verwende ich prozedurale Modelle als Vorkenntnis für das System. Prozedurale Modelle beschreiben den Konstruktionsprozess eines 3D-Objekts, anstatt die Komponenten der Oberfläche explizit zu beschreiben. Diese Modelle können Parameter in den Konstruktionsprozess einbeziehen, um Variationen des resultierenden 3D-Objekts zu erzeugen. Prozedurale Repräsentationen sind in vielen Bereichen vorhanden, da diese impliziten Darstellungen in Hinsicht auf automatische Erzeugung, Flexibilität und Wiederverwendbarkeit weit überlegen sind. Deshalb hat die Verwendung einer prozeduralen Repräsentation grundsätzlich das Potenzial, herkömmliche Ansätze in vielerlei Hinsicht zu übertreffen. Die Verwendung von prozeduralen Modellen bei der Suche und Klassifizierung von 3D-Objekten ist noch wenig erforscht, da diese leistungsstarke Darstellung beliebig komplex in der Erstellung und Handhabung sein kann. Im 3D-Objektbereich werden prozedurale Modelle vor allem für hochgradig reguläre Strukturen wie Gebäude und Bäume eingesetzt.

Prozedurale Modelle können jedoch die Suche und Klassifizierung von 3D-Objekten erheblich ver-bessern, da diese Darstellung eine dauerhafte und wiederverwendbare vollständige Beschreibung eines Objekttyps bietet. Diese Beschreibung kann für Suchanfragen und Klassendefinitionen ohne zusätzliche Daten verwendet werden. Darüber hinaus kann eine anfängliche Klassifizierung durch ein prozedurales Modell weiter verbessert werden: Ein prozedurales Modell ermöglicht es, ein unbekanntes Objekt vollständig zu parametrisieren und Merkmale verschiedener Klassenmitglieder zu identifizieren. Der einzige Nachteil ist, dass das manuelle Design und Erzeugung spezieller prozeduraler Modelle sehr aufwendig ist. In dieser Arbeit konzentriere ich mich auf die Generalisierung und Automatisierung von prozeduralen Modellen für die Verwendung in der 3D-Objektsuche und 3D-Objektklassifizierung.

Für die Generalisierung und Automatisierung von prozeduralen Modellen schlage ich vor, verschiedene Ebenen der Interaktion für einen Benutzer anzubieten, um die möglichen Anforderungen der Kontrollierbarkeit und Automatisierung zu erfüllen. Diese Arbeit stellt neue Ansätze für verschiedene Automatisierungsstufen vor: die automatische Generierung von prozeduralen Modellen aus einem einzigen exemplarischen 3D-Objekt. Die halbautomatische Erstellung eines prozeduralen Modells mit einem zeichenbasierten Modellierungstool. Und die manuelle Definition eines prozeduralen Modells mit beschränktem Variationsraum. Der zweite wichtige Schritt ist das Einfügen von Parametern in das prozedurale Modell, um die Variationen des resultierenden 3D-Objekts zu definieren. Für diesen Schritt schlage ich auch mehrere Möglichkeiten für den optimalen Kontrollierbarkeits- und Automatisierungsgrad vor: Eine automatische Parametererkennungstechnik. Eine halbautomatische verformungsbasierte parametereinfügetechnik. Und ein Interface zum manuellen Einfügen von Parametern durch die Auswahl eines geeigneten Einfügeprinzips. Es ist auch möglich, Parameter manuell in die Prozeduren einzufügen, für den Fall, dass der Benutzer die volle Kontrolle auf der untersten Ebene benötigt.

Um die Verwendung von prozeduralen Modellen direkt für die Suche und Klassifizierung von 3D-Objekten zu ermöglichen, schlage ich deskriptorbasierte und tiefgehend lernende Ansätze vor. Deskriptoren messen die Differenz von 3D-Objekten. Durch die Verwendung von Deskriptoren als Vergleichsalgorithmus können wir den Abstand zwischen prozeduralen Modellen und anderen Objekten definieren und diese nach Ähnlichkeit ordnen. Die prozeduralen Modelle werden abgetastet und verglichen, um eine optimale Objektergebnisliste zu erhalten. Wir können auch direkt prozedurale Modelle als Datenbasis für ein umlernen eines neuronalen Faltungsnetzwerkes verwenden. Durch das tiefgehende Lernen einer Reihe von prozeduralen Modellen können wir neue unbekannte Objekte ohne weitere große Lerndatenbank direkt klassifizieren. Zusätzlich schlage ich einen neuen mehrschichtigen Parameterbestimmungsansatz vor, der drei verschiedene Vergleichsmaße zur Parametrisierung eines unbekannten Objekts verwendet. Somit wird ein unbekanntes Objekt nicht nur mit einem prozeduralen Modell klassifiziert, sondern der Ansatz ist auch in der Lage, neue Informationen über die Eigenschaften des Objekts zu sammeln, indem er das prozedurale Modell für die anschließende Parametrisierung verwendet.

Die Kombination von prozeduralen Modellen mit der 3D-Objektsuche und -Klassifizierung führt zu einem Metakonzept eines ganzheitlich nahtlosen Systems zum Definieren, Erzeugen, Vergleichen, Identifizieren, Suchen, Rekombinieren, Bearbeiten und Wiederverwenden von 3D-Objekten.