Table of Contents

Photogrammetrie ist ein unverzichtbares Werkzeug in allen Branchen, von der räumlichen Kartierung und Archäologie bis hin zur Filmproduktion und -technik. Die Genauigkeit und Nützlichkeit jedes photogrammetrischen Modells hängt von einem kritischen Faktor ab: der Auflösung der Quellbilder. Während die Hardware sich weiter verbessert, bleibt die direkte Erfassung ultrahochauflösender Bilder teuer, zeitaufwendig und oft physisch durch Sensorgröße, Linsenqualität und Flughöhe eingeschränkt. In den letzten zehn Jahren hat eine Konvergenz von Rechentechniken - insbesondere in den Bereichen maschinelles Lernen, Signalverarbeitung und Mehrbildgeometrie - neue Wege eröffnet, um die Auflösung über das hinaus zu verbessern, was die Kamera allein liefern kann. Diese Methoden sind nicht nur inkrementelle Verbesserungen; sie definieren neu, was in der automatisierten 3D-Rekonstruktion möglich ist. Dieser Artikel untersucht die wirkungsvollsten innovativen Methoden zur Verbesserung der photogrammetrischen Bildauflösung, von der algorithmischen Superauflösung bis hin zur intelligenten Fusion und adaptiven Verarbeitung. Es untersucht auch die praktischen Herausforderungen, die bestehen bleiben und die vielversprechenden Richtungen für zukünftige Forschung und Einsatz.

Auflösung im photogrammetrischen Workflow verstehen

Vor dem Eintauchen in Erweiterungstechniken ist es wichtig zu klären, was "Auflösung" im Zusammenhang mit der Photogrammetrie bedeutet. Im Gegensatz zu einer Standard-Fotografiemetrik ist die photogrammetrische Auflösung direkt an das Konzept der Bodenmusterentfernung (GSD) gebunden - der durch ein einzelnes Pixel repräsentierte physikalische Abstand auf dem Boden. Eine kleinere GSD bedeutet eine höhere räumliche Auflösung und damit feinere Details im resultierenden 3D-Modell. GSD wird jedoch nicht nur durch den Kamerasensor, sondern auch durch den Abstand zum Objekt, die Brennweite und die atmosphärischen Bedingungen bestimmt. Selbst bei einem modernen 50-Megapixel-Sensor kann die effektive Auflösung bei einem großen Abbildungsabstand oder bei einer Beeinträchtigung der Optik unzureichend sein für eine Feinmerkmalsextraktion.

In einer typischen Structure-from-Motion-Pipeline (SfM) beeinflusst die Bildauflösung jeden nachfolgenden Schritt: Schlüsselpunkterkennung und -abgleich, Bündelanpassung, dichte Abgleichung und Mesh-Generierung. Unschärfe, Rauschen, niedriger Kontrast oder Kompressionsartefakte verschlechtern alle den endgültigen Output. Daher kann die Auflösungsverbesserung nicht als triviale Aufskalierungsaufgabe behandelt werden; sie muss die geometrische Konsistenz und radiometrische Genauigkeit über mehrere überlappende Ansichten hinweg bewahren. Die unten diskutierten Methoden gehen auf diese Anforderungen ein, während sie die Grenzen dessen, was aus den ursprünglichen Aufnahmen extrahiert werden kann, überschreiten.

Super-Resolution Algorithmen: Lernen, das Unsichtbare zu sehen

Einzelbild-Superauflösung (SISR) vs. Multibild-Superauflösung (MISR)

In der Photogrammetrie haben sowohl Einzelbild- als auch Mehrbild-Ansätze Anwendungen gefunden. Einzelbild-SR (SISR) beruht auf einer einzelnen Eingabe und nutzt Vorwissen - oft aus riesigen Datensätzen natürlicher Bilder - um plausible Hochfrequenzdetails zu halluzinieren. Frühe Methoden verwendeten Interpolation (bicubic, Lanczos), die glatte Ergebnisse lieferten, aber keine texturierten Details aufwiesen. Moderne SISR übernimmt tiefe konvolutionale neuronale Netzwerke (CNNs) wie SRCNN, VDSR und EDSR, die Ende-zu-Ende-Mappings von niedrig bis hochauflösenden Patches lernen. Neuere Architekturen beinhalten Aufmerksamkeitsmechanismen und generative adversariale Netzwerke (GANs) können perzeptuell scharfe Texturen erzeugen, wenn auch manchmal mit unrealistischen Artefakten, wenn nicht sorgfältig eingeschränkt.

Multi-Image Super-Resolution (MISR) ist für die Photogrammetrie besonders natürlich, da der Workflow bereits die Aufnahme überlappender Bilder aus leicht unterschiedlichen Blickwinkeln beinhaltet. MISR nutzt Subpixelverschiebungen zwischen Frames, um Details zu rekonstruieren, die in einem einzelnen Frame aliasiert sind. Klassische MISR-Methoden verwendeten Frequenzdomänenansätze (z. B. Papoulis-Gerchberg) oder iterative Rückprojektion. Heute können Deep-Learning-Modelle, die mehrere Frames verschmelzen - manchmal auch als Video-Super-Resolution-Netzwerke bezeichnet - sowohl räumliche als auch zeitliche Kontexte nutzen. Für die Photogrammetrie kann die Anwendung von MISR auf den Satz von überlappenden Bildern vor dichtem Abgleich die effektive GSD erheblich steigern, ohne den Aufnahmeplan zu verändern.

Deep Learning Architekturen für photogrammetrische Super-Auflösung

Während generische SR-Modelle einigermaßen gut funktionieren, liefert domänenspezifisches Training überlegene Ergebnisse. Photogrammetrische Bilder haben oft einzigartige Eigenschaften: Sie werden typischerweise unter kontrollierter Beleuchtung oder zu bestimmten Tageszeiten aufgenommen, sie enthalten geometrische Merkmale (Ecken, Kanten, plane Oberflächen), die für die 3D-Rekonstruktion wichtig sind, und sie können von Metadaten (Kameraparameter, EXIF) begleitet werden, die den Auflösungsprozess beeinflussen können. Forscher haben Architekturen vorgeschlagen, die geometrische Prioren enthalten, wie eine Tiefenkarte aus der SfM-Punktwolke, um die SR-Rekonstruktion zu leiten. Andere Bemühungen nutzen selbstüberwachtes Lernen auf dem tatsächlichen Datensatz, wobei die Mehrsicht-Konsistenz als Überwachungssignal genutzt wird - eine Technik, die manchmal als "Multi-View-Super-Auflösung" oder "selbstüberwachtes SR" bezeichnet wird.

Eine besonders vielversprechende Richtung ist die Verwendung von impliziten neuronalen Repräsentationen (NeRF-artige Netzwerke), die eine kontinuierliche Szenenfunktion aus einer Reihe von 2D-Ansichten modellieren. Während diese Repräsentationen typischerweise für eine neuartige Ansichtssynthese verwendet werden, können diese Repräsentationen mit beliebiger Auflösung abgetastet werden, was effektiv Superauflösung in der 3D-Domäne ausführt. Durch Rastern des gelernten Volumens bei einer höheren Pixeldichte können Bilder mit viel mehr Details als jeder Eingaberahmen erzeugt werden. Der Kompromiss ist Rechenkosten, da das Training solcher Modelle Stunden dauern kann, aber Fortschritte in effizienten NeRF-Varianten (Instant NGP, 3D Gaußian Splatting) machen Echtzeit-Anwendung plausibel.

Multi-Image Fusion: Detail aus Vielfalt synthetisieren

Grundlagen der Fusion in der Photogrammetrie

Die Multi-Bildfusion (auch Multi-View-Fusion genannt) kombiniert Informationen aus mehreren überlappenden Bildern, um ein einzelnes Bild oder eine Tiefenkarte mit verbesserter Auflösung und reduziertem Rauschen zu erzeugen. Im Gegensatz zu Super-Auflösung "erfindet" die Fusion nicht unbedingt neue hochfrequente Details; vielmehr stellt sie Details wieder her, die in mindestens einem der Eingangsbilder vorhanden waren, aber in anderen aufgrund von Bewegungsunschärfen, Defokussierung oder Okklusionen abgebaut werden können. Der Prozess beinhaltet eine präzise Bildregistrierung unter Verwendung von Feature-Matching (SIFT, ORB oder tiefgelernte Deskriptoren), Verziehen zu einem gemeinsamen Referenzrahmen und dann einen Kompositionsschritt, der Median Blending, Laplacian Pyramide Blending oder fortgeschrittenere Belichtungsfusionsalgorithmen verwenden kann.

Im Zusammenhang mit der Photogrammetrie wird die Fusion häufig implizit bei dichtem Matching angewendet: Stereoalgorithmen kombinieren natürlich Informationen aus mehreren Ansichten. Die Erzeugung eines expliziten hochauflösenden Orthomosaiks oder eines Satzes verbesserter Bilder für die weitere Verarbeitung kann jedoch von Vorteil sein. Beispielsweise kann bei Luftuntersuchungen durch das Verschmelzen von Nadir- und Schrägbildern ein Orthofoto mit hoher planimetrischer Genauigkeit und detaillierten Fassadentexturen erzeugt werden.

Fusionsstrategien: Pixel-Wise, Patch-Wise und Frequency-Wise

Die Patch-Fusion bewertet kleine Fenster (z. B. 8x8 oder 16x16 Pixel) und wählt den Patch mit der höchsten Gradientenenergie, räumlichen Frequenz oder einer gelernten Qualitätsmetrik. Diese Methode ist robuster und wird üblicherweise in Open-Source-Photogrammetrie-Pipelines wie OpenSfM und Colmap durch optionale Verbesserungsschritte implementiert. Die Frequenz-Fusion zerlegt Bilder in nieder- und hochfrequente Komponenten (oft über Laplacian-Pyramiden oder diskrete Wavelet-Transformationen). Die Niederfrequenzbasis wird gemittelt, um das Rauschen zu reduzieren, während das hochfrequente Detail aus der schärfsten Quelle ausgewählt wird - dies ahmt die traditionelle "Fokus-Stacking" -Technik nach, die in der Makrofotografie verwendet wird, aber auf die Quersicht-Fusion erweitert wird.

Praktische Überlegungen und Software-Tools

Die Implementierung von Multi-Bild-Fusion in einer Produktions-Photogrammetrie-Pipeline erfordert eine sorgfältige Aufmerksamkeit auf die radiometrische Konsistenz. Vignetting, Belichtungsunterschiede und Farbbalance müssen vor der Fusion korrigiert werden, oder das Komposit zeigt auffällige Artefakte. Viele kommerzielle Pakete (Pix4Dmapper, Agisoft Metashape, RealityCapture) enthalten eingebaute Fusions- oder Mischschritte, werden aber oft als Blackboxen behandelt. Für Praktiker, die eine benutzerdefinierte Kontrolle suchen, bieten Bibliotheken wie OpenCV, Enblend/Enfuse und Hugin Befehlszeilen-Tools für eine robuste Fusion. Ein neuer Trend ist die Verwendung von Deep-Fusion-Netzwerken, die lernen, Beiträge aus mehreren Ansichten basierend auf Inhalt und Geometrie zu gewichten - diese sind immer noch experimentell, aber vielversprechend für anspruchsvolle Bedingungen wie schwaches Licht oder Höhenerfassung.

Adaptive Bildverarbeitung: Dynamische Erweiterung ohne Artefakte

Adaptives Schärfen und Unschärfe Maskierung

Herkömmliche Schärffilter (z. B. unscharfe Maske) wenden einen einzelnen Kernel über das gesamte Bild an, der das Rauschen in flachen Regionen verstärken oder Halos um Kanten erzeugen kann. Adaptive Schärftechniken analysieren lokale Bildstatistiken - Varianz, Kantengröße oder Frequenzgehalt - um die Stärke des Schärfens zu modulieren. Für photogrammetrische Bilder, bei denen der Texturreichtum stark variiert (von glattem Gras bis zu rauem Gestein), sind adaptive Methoden weit überlegen. Der häufigste Ansatz ist der geführte Filter oder bilaterale Filter, der Kanten bei Glättung des Rauschens bewahrt. Fortgeschrittene Algorithmen verwenden lokal adaptive Kontrastverbesserung (LACE) oder kontrastbegrenzter adaptiver Histogrammausgleich (CLAHE), um Details in Schatten und Lichtern hervorzubringen, ohne helle Bereiche zu überbelichten.

Lärmreduzierung auf photogrammetrische Daten abgestimmt

Lärm ist ein hartnäckiger Feind der Auflösung. Hohe ISO, kurze Belichtung und kleine Pixel führen alle Rauschen ein, das feine Details verdeckt und die Funktion abstimmt. Viele photogrammetrische Pipelines beinhalten einen Entrauschungsschritt, aber generische Rauschreduktion verwischt oft Kanten. Adaptive Rauschreduktionstechniken, wie nicht-lokale Mittel (NLM) und BM3D, nutzen die Selbstähnlichkeit innerhalb des Bildes aus, um Lärm zu entfernen und gleichzeitig die Textur zu erhalten. Die neuesten Deep Learning-Dämmer (DnCNN, Noise2Noise) können speziell auf photogrammetrischen Bildsätzen trainiert werden, um die Mischung aus Gauß- und Poisson-Rauschen zu handhaben, die in Außenumfragen typisch sind. Die Kombination von adaptiver Entrauschung mit anschließender adaptiver Schärfung erzeugt eine leistungsstarke Verbesserungskaskade, die die effektive Auflösung um das 1,5-fache bis 2-fache erhöhen kann, ohne dass bedenkliche Artefakte eingeführt werden.

Deconvolution mit Point Spread Function (PSF) Schätzung

Unschärfe, ob durch Kamerabewegung, Linsenbeugung oder atmosphärische Turbulenzen, begrenzt die Auflösung. Deconvolution versucht, die Unschärfe umzukehren, indem die Punktspreizfunktion (PSF) modelliert wird, die sie verursacht hat. Für Satelliten- und Luftphotogrammetrie kann die PSF von bekannten Kanten oder Kalibrierzielen geschätzt und dann über Wiener-Filterung oder Richardson-Lucy-Deconvolution angewendet werden. Da die Photogrammetrie mehrere überlappende Bilder umfasst, ist es möglich, die PSF gemeinsam zu schätzen und Multi-Bild-Deconvolution durchzuführen, was robuster ist als die Per-Bild-Verarbeitung. Dieser Ansatz hat sich gezeigt, dass Texturen und Kanten genug geschärft werden, um zuvor unsichtbare Merkmale wiederherzustellen, was die nutzbare Auflösung des Datensatzes effektiv erhöht.

Pre-Processing und Post-Processing Workflows für maximalen Gewinn

Optimale Bildaufnahme für Enhancement

Alle Verbesserungsmethoden profitieren von gutem Ausgangsmaterial. Einfache Praktiken können die Ergebnisse der späteren Verarbeitung dramatisch verbessern: Verwendung eines Stativs oder einer stabilisierten Halterung zur Verringerung der Bewegungsunschärfe, Wahl einer Verschlusszeit, die Vibrationen vermeidet, Aufrechterhaltung einer konsistenten Beleuchtung mit Diffusoren und Aufnahme von rohen (unkomprimierten) Dateien. Für Luftaufnahmen reduziert das Fliegen in einer niedrigeren Höhe (innerhalb der gesetzlichen Grenzen) GSD direkt. Überlappende Bilder um 80% vorwärts und 60% seitlich (anstelle des Standards 60/30) bietet mehr Möglichkeiten für Fusion und Superauflösung. Während dies die Anzahl der Bilder und die Verarbeitungszeit erhöht, ist der Qualitätsgewinn oft die Investition für hochgenaue Projekte wert.

Kalibrierung und Farbkorrektur

Bevor eine Verbesserung vorgenommen wird, sollten die Bilder radiometrisch kalibriert werden, um Vignettierungen, Linsenverzerrungen und Sensorungleichförmigkeit zu entfernen. Die Kalibrierung beinhaltet auch die Korrektur von Farbunterschieden zwischen Kameras oder Beleuchtungsbedingungen über eine Fluglinie hinweg. Selbst eine einfache Flachfeldkorrektur kann niederfrequente Variationen reduzieren, die adaptive Algorithmen verwirren. Für die Multi-Bild-Fusion sollten alle Bilder auf einen gemeinsamen Helligkeits- und Kontrastbereich normalisiert werden, um Nähte zu vermeiden. Tools wie RawTherapee, Darktable und das Kamerakalibrierungsmodul in OpenCV bieten kostenlose Open-Source-Lösungen für diese Vorverarbeitungsschritte.

Nachbearbeitung für 3D-Rekonstruktion

Sobald die Bilder verbessert sind, werden sie in die Standard-SfM-Pipeline eingespeist. Einige Verbesserungsverfahren können jedoch angewendet werden, nachdem die Punktwolke oder das Mesh erzeugt wurde. Beispielsweise kann das endgültige texturierte Mesh mit einer höheren Auflösung durch Mittelung von Texturen aus mehreren überlappenden Bildern dargestellt werden - eine Form der Post-hoc-Textur-Superauflösung. Eine andere Nachverarbeitungstechnik ist die Oberflächenverfeinerung unter Verwendung von Tiefenkarten, die aus verbesserten Bildern berechnet wurden, was zu einer dichteren Punktwolke führt. Der Schlüssel ist, die Auflösungsverbesserung in der Phase zu integrieren, in der sie den größten Nutzen bietet, ohne unnötige Doppelarbeit.

Hardware-Innovationen, die Software-Methoden ergänzen

Sensor und Linsen Fortschritte

Während sich dieser Artikel auf Rechenmethoden konzentriert, bleiben Hardwareverbesserungen ein wichtiger Teil der Auflösungsgleichung. Neuere Sensorentwicklungen wie rückwärtsbeleuchtete (BSI) CMOS-Sensoren mit geringerem Rauschen, organische photoleitfähige Filmsensoren mit größerem Dynamikbereich und multispektrale Arrays bieten eine höhere native Auflösung und bessere Signal-Rausch-Verhältnisse. Die Linsentechnologie entwickelt sich ebenfalls weiter: asphärische Elemente, apochromatische Designs und Mehrschichtbeschichtungen reduzieren chromatische Aberration und Flare, so dass der Sensor feinere Details erfassen kann. Bei der Drohnen-basierten Photogrammetrie ersetzen mechanische Verschlussmechanismen Rolling Shutters, um Verzerrungsartefakte zu eliminieren, die die Superauflösung und Fusion erschweren.

Spezialisierte Kameras für die Photogrammetrie

Einige Hersteller produzieren jetzt Kameras, die speziell für die photogrammetrische Aufnahme optimiert sind. Diese verfügen über globale Verschlussklappen, geringe Leserauschen, hohen Dynamikbereich und Metadaten, die genaue GPS/IMU-Daten für jede Belichtung enthalten. Die Phase One iXM-Serie und die DJI Zenmuse P1 sind Beispiele für solche Systeme. Obwohl sie teuer sind, reduzieren sie den Bedarf an umfangreichen Nachbearbeitungsverbesserungen, da die Quellbilder bereits von außergewöhnlicher Qualität sind.

Herausforderungen bei der Annahme von Lösungsverbesserungsmethoden

Berechnungs- und Speicherkosten

Superauflösungs- und Fusionsalgorithmen sind rechenintensiv. Das Training von Deep Learning-Modellen kann große GPU-Cluster und Stunden bis Tage erfordern. Rückschlüsse auf einen typischen Umfragedatensatz von Tausenden von Bildern können selbst auf moderner Hardware Minuten bis Stunden dauern. Für Echtzeit- oder Nah-Echtzeit-Anwendungen (z. B. Drohnen-in-the-Loop-Mapping) ist diese Latenz unerschwinglich. Darüber hinaus erhöht die Speicherung der erweiterten Bilder - insbesondere wenn sie auf 2x oder 3x der ursprünglichen Auflösung interpoliert werden - den Speicherbedarf um bis zu einer Größenordnung. Cloud-Verarbeitungs- und Edge-Computing-Lösungen entstehen, um diese Probleme zu lösen, aber sie erhöhen Komplexität und Kosten.

Datenabhängigkeit und Generalisierung

Deep-Learning-Modelle, die eine hohe Genauigkeit auf einer Art von Szene (z. B. Stadtarchitektur) erreichen, können auf einer anderen (z. B. dichte Vegetation oder schneebedecktes Gelände) scheitern. Dieser Mangel an Verallgemeinerung bedeutet, dass Praktiker entweder einen großen und vielfältigen Trainingssatz oder Feinabstimmungsmodelle für jedes Projekt sammeln müssen - eine Belastung, die viele Teams nicht tragen können. Selbstüberwachte und Null-Schuss-Methoden, die direkt aus den Eingangsdaten ohne externe Datensätze lernen, sind ein aktives Forschungsgebiet. Solche Methoden könnten Superauflösung zugänglicher machen, aber sie hinken derzeit in der Qualität überwachten Techniken hinterher.

Bewertung der Auflösungsverbesserungsqualität

Traditional metrics like PSNR and SSIM do not always correlate with photogrammetric accuracy. A visually pleasing image may still contain geometric errors that degrade the 3D model. New evaluation methods are needed that measure resolution gain in terms of recoverable feature points, achievable GSD, and final model precision. Some researchers propose using the number and consistency of matched keypoints between enhanced images as a proxy for resolution quality. Others advocate for end-to-end validation: process the enhanced images through the full SfM pipeline and compare the output model against a high-resolution ground truth. Such rigorous validation is rare in practice, making it difficult to compare the effectiveness of different enhancement techniques.

Zukünftige Richtungen: Echtzeit, Hybrid und darüber hinaus

Echtzeit-Verbesserung auf Edge-Geräten

Die nächste Grenze ist die Auflösungsverbesserung an Bord von Drohnen oder Handsensoren in Echtzeit. Leichte neuronale Netzwerke (MobileNet-basierte SR, Wissensdestillation) können auf eingebetteten GPUs (NVIDIA Jetson, Google Coral) eingesetzt werden. Dies würde es einer Drohne ermöglichen, ihre Flugbahn anzupassen - oder zusätzliche Aufnahmen auszulösen - basierend auf der Qualität der verbesserten Bilder, die sie produziert, und den Kreislauf zwischen Aufnahme und Verarbeitung zu schließen. Frühe Prototypen haben eine 2x Superauflösung bei 30 fps auf einem Jetson Nano gezeigt, was für zukünftige Verbraucher und Industriesysteme vielversprechend ist.

Hybridphysikbasierte und datengetriebene Methoden

Hybridverfahren integrieren bekannte Kameraparameter, Objektivmodelle und Szenengeometrie in das neuronale Netzwerk-Framework. Zum Beispiel könnte ein Netzwerk so gestaltet werden, dass es ein hochauflösendes Bild ausgibt, das, wenn es durch die bekannte PSF heruntergetastet wird, genau mit dem beobachteten niedrigauflösenden Eingang übereinstimmt - dies ist das neuronale Analogon der herkömmlichen Bayesschen Dekonvolution. Solche physikalisch informierten Netzwerke sind robuster und erfordern weniger Trainingsdaten, was sie für die Photogrammetrie attraktiv macht, wo Kalibrierdaten leicht verfügbar sind.

Integration mit NeRF und 3D Gaußian Splatting

Wenn implizite Szenendarstellungen ausgereift sind, können sie die herkömmliche Bildverbesserung obsolet machen. Statt 2D-Bilder zu verbessern, könnte die photogrammetrische Pipeline eine kontinuierliche 3D-Darstellung direkt aus niedrig auflösenden Eingaben rekonstruieren und dann mit beliebig hoher Auflösung wiedergeben. Dies verschiebt die Auflösungslast von der Aufnahmestufe zur Rekonstruktionsphase. Jüngste Arbeiten an "Plenoxeln" und "3D-Gaussian-Splatting" haben gezeigt, dass qualitativ hochwertige neue Ansichten aus spärlichen, niedrig auflösenden Eingaben erzeugt werden können, wodurch das Auflösungsproblem effektiv in einer 3D-konsistenten Weise gelöst wird. Ob diese Ansätze die konventionelle Photogrammetrie ersetzen werden, bleibt abzuwarten, aber sie beeinflussen bereits die nächste Generation von Abbildungssoftware.

Fazit: Die Grenzen des Details in der Photogrammetrie verschieben

Die Verbesserung der photogrammetrischen Bildauflösung geht nicht mehr nur darum, einfach eine bessere Kamera zu kaufen. Die innovativen Methoden, die in diesem Artikel beschrieben werden – superauflösende Algorithmen, Multi-Bild-Fusion, adaptive Verarbeitung und hybride Physik-KI-Ansätze – bieten leistungsstarke Möglichkeiten, um mehr Details aus vorhandenen Aufnahmen zu extrahieren. Jede Technik hat ihre eigenen Kompromisse in Bezug auf Rechenkosten, Datenanforderungen und Robustheit, aber das Feld konvergiert schnell zu praktischen, einsetzbaren Lösungen. Für Fachleute in Vermessung, Archäologie, Film und Technik ist es wichtig, über diese Entwicklungen auf dem Laufenden zu bleiben. Die Fähigkeit, Modelle mit höherer Auflösung aus den gleichen oder sogar qualitativ minderwertigen Quellbildern zu produzieren, führt direkt zu Kosteneinsparungen, schnellerer Projektumstellung und letztlich besserer Entscheidungsfindung. Wenn die Forschung weitergeht und Hardware leistungsfähiger wird, wird die Lücke zwischen dem, was erfasst werden kann, und dem, was rekonstruiert werden kann, immer kleiner werden immer realistischere und genauere digitale Zwillinge in Reichweite.

Externe Links: