Das Geodätische Institut (GIH) der Leibniz Universität Hannover lehrt und forscht in den Bereichen Ingenieurgeodäsie und geodätische Auswertemethoden sowie Flächen- und Immobilienmanagement.

Zu den primären Forschungs- und Tätigkeitsfeldern im Bereich Ingenieurgeodäsie und geodätische Auswertemethoden zählt die Qualitätsbeurteilung von Daten und Messsystemen, das terrestrische Laserscanning, das geodätische Monitoring von Objekten, die Effizienzoptimierung und Steuerung von Messprozessen sowie die Anwendung von Auswertemethoden (Filterung, Parameterschätzung).

Das Flächen- und Immobilienmanagement bietet umsetzungsorientierte Strategien und kooperative Lösungsansätze für die nachhaltige Entwicklung von Dörfern und Städten sowie von bebauten und unbebauten Grundstücken im Innen- und Außenbereich. Zudem gewährleistet es die fachkundige Bewertung von Immobilien und - durch Analyse ihrer räumlich-zeitlichen Entwicklung - die Transparenz von Immobilienmärkten.

Multi-Sensor-Systeme der nächsten Generation

Innovative wissensbasierte Datenanalyse

Interdisziplinäre 3D-Bauwerksüberwachung

Immobilien und Raumentwicklung

Aktuelle Meldungen des Geodätischen Instituts

Paper published in PFG: Conditional Adversarial Networks for Multimodal Photo-Realistic Point Cloud Rendering

17.07.2020

Examples for summer (middle) and winter (right) representation of the same input point cloud coloured by reflectance (left) in Hannover

Torben Peters and Claus Brenner developed a method to create photorealistic visualizations from point clouds.

We investigate whether conditional generative adversarial networks (C-GANs) are suitable for point cloud rendering. For this purpose, we created a dataset containing approximately 150,000 renderings of point cloud–image pairs. The dataset was recorded using our mobile mapping system, with capture dates that spread across 1 year. Our model learns how to predict realistically looking images from just point cloud data. We show that we can use this approach to colourize point clouds without the usage of any camera images. Additionally, we show that by parameterizing the recording date, we are even able to predict realistically looking views for different seasons, from identical input point clouds.

link.springer.com/article/10.1007/s41064-020-00114-z

Zur Listenansicht

Aktuelle Meldungen aus der Fachrichtung Geodäsie und Geoinformatik

Paper published in PFG: Conditional Adversarial Networks for Multimodal Photo-Realistic Point Cloud Rendering

17.07.2020

Torben Peters and Claus Brenner developed a method to create photorealistic visualizations from point clouds.

We investigate whether conditional generative adversarial networks (C-GANs) are suitable for point cloud rendering. For this purpose, we created a dataset containing approximately 150,000 renderings of point cloud–image pairs. The dataset was recorded using our mobile mapping system, with capture dates that spread across 1 year. Our model learns how to predict realistically looking images from just point cloud data. We show that we can use this approach to colourize point clouds without the usage of any camera images. Additionally, we show that by parameterizing the recording date, we are even able to predict realistically looking views for different seasons, from identical input point clouds.

link.springer.com/article/10.1007/s41064-020-00114-z

Zur Listenansicht