Bayesian Latent Space Manipulator

Manipulationen des Latent Space kann in vielen Bereichen eingesetzt werden. Durch das Verändern des Latent Space kann unter anderem ein Bild in Teilbereichen verändern, ohne das gesamte Bild zu verändern. Ziel dieser Arbeit ist, einen Autoencoder zu entwickeln, der Gesichter in einem möglichst kompakten Latent Space komprimieren kann und mit einem Bayesian Netzwerk anschließend ein Mapping zwischen Latent Space und "abstrakten Labeln" (z.B. Gesichtsform, Augenfarbe, Haarfarbe) zu finden, um diese verändern zu können.

Mittels Face Meshes (468 Gesichtspunkte in 3D) lassen sich Gesichter abstrakt darstellen und gleichzeitig anonymisieren. Um die Identität von Personen mit Syndromen, die sich über die Gesichtsstruktur äußern, zu wahren und gleichzeitig eine Klassifikation nach Syndrom zu gewährleisten, können diese 468 Gesichtspunkte direkt mit einem Neuronalen Netzwerk klassifiziert werden. Dadurch muss nicht das vollständige Gesicht, als Bild, in das Model gegeben werden. Die Aufgabe besteht darin, herauszufinden, ob es möglich ist, dass ein Neuronales Netz nur anhand der 468 Gesichtspunkte verschiedene Syndrome klassifizieren kann und welche Syndrome möglich sind zu klassifizieren.