Seelbach Benkner Marcel2026-06-032026-06-032025https://dspace.ub.uni-siegen.de/handle/ubsi/9341Since the ability of quantum computing to speed up certain, specific computations has a solid theoretical underpinning, it is a natural question to ask if problems in computer vision also benefit from it. This doctoral thesis is in particular concerned with the question if the recently emerging optimization method of quantum annealing is useful for solving combinatorial optimization problems that arise in computer vision. The computer vision problem that is mainly investigated here is the problem of shape matching. The task of shape matching is to obtain the correspondences of two objects in a scene that are described with point clouds. Most often, one is concerned with finding the correspondences for a person who is recorded in 3D two times but with a different pose. The reason why this computer vision problem was picked as an interesting candidate for an application of quantum annealing is because it can be formulated as a difficult combinatorial optimization problem with a quadratic objective. This is close to the type of optimization problem that recent quantum annealing devices try to solve. The biggest difference is that in quantum annealing one a priori has unconstrained problems so that one cannot include equality constraints in the optimization. In the first work of this thesis, multiple methods are presented to overcome this difference and for really small shape matching problems experiments with simulated quantum annealing and with quantum annealing on D-Wave quantum computers were presented. In the second work of this thesis an iterative method was developed so that it was even possible to solve shape matching problems with over 500 vertices. Finally, a third publication looked at problems where one needs to find the correspondences between multiple shapes. Besides applications of quantum annealing for shape matching, this thesis also contains work on solving the motion segmentation problem with quantum annealing and work about integrating a quantum annealer in a neural network to solve computer vision problems. The integration of the quantum annealer in a neural network can also be viewed as the task to learn an appropriate formulation of a computer vision problem in a way that is solvable with a current quantum annealer. Finally, we also present work about an iterative method for compensating limited connectivity in quantum annealing devices. This work has no particular computer vision application in mind, but investigates the performance of the different approaches on Max-Cut problems. The thesis is structured in a cumulative way, so that the individual publications are presented separately. On a broader picture, the works are motivated by the following questions: What could be the impact of quantum annealing on computer vision and how could computer vision algorithms that use quantum annealing look like? And from another perspective: How would the field of computer vision be changed if there were massive advances in building quadratic, unconstrained, binary optimization problem solvers with or even without utilizing quantum computing?Die Fähigkeit von Quantum Computing bei speziellen Problemen Berechnungen schneller als herkömmliche Computer durchzuführen, hat ein solides theoretisches Fundament. Aus diesem Grund stellt sich die Frage, ob Quantum Computing auch im Fachbereich der Computer Vision Vorteile verspricht. Die vorliegende Doktorarbeit beschäftigt sich damit, ob Optimierungsmethoden wie Quantum Annealing nützlich sind, um kombinatorische Optimierungsprobleme aus dem Bereich der Computer Vision zu lösen. Das Optimierungsproblem, das hier am meisten untersucht wurde, heißt Shape Matching. Das Ziel von Shape Matching ist es, Korrespondenzen zwischen zwei mit Punktwolken dargestellten Objekten einer Szene zu finden. Meistens sollen die Korrespondenzen zwischen zwei unterschiedlichen 3D Aufnahmen einer Person bestimmt werden, wobei sich die Pose geändert hat. Ein Hauptgrund, wieso gerade dieses Optimierungsproblem interessant für diese Untersuchung ist, ist die Möglichkeit es als kombinatorisches Optimierungsproblem mit quadratischen Kosten zu formulieren. Dies ist sehr ähnlich zu den Optimierungsproblemen, die durch Quantum Annealing zurzeit gelöst werden können. Der größte Unterschied ist, dass bei Quantum Annealing a priori nur unrestringierte Probleme gelöst werden können. Also ist es zunächst nicht möglich lineare Gleichheitsbedingungen in der Optimierung zu berücksichtigen. In der ersten Veröffentlichung in dieser Doktorarbeit wurden mehrere Methoden vorgestellt, um diese Unterschiede in den Optimierungsproblemen zu überwinden. Auch wurden Experimente für kleine Shape Matching Instanzen mittels simulierten Quantum Annealing und Quantum Annealing auf D-Wave Quantencomputern durchgeführt. Bei der zweiten Publikation wurde eine iterative Methode entwickelt, welche es ermöglicht Shape Matching Probleme mit mehr als 500 3D-Punkten zu lösen. Schließlich betrachtet eine dritte Publikation das Problem, dass Korrespondenzen zwischen mehreren 3D-Shapes gleichzeitig mit Quantum Annealing ermittelt werden sollen. Neben den Anwendungen von Quantum Annealing für Shape Matching enthält die Doktorarbeit auch Arbeiten darüber, wie Quantum Annealing für Motion Segmentation verwendet werden kann. Außerdem gibt es eine Veröffentlichung darüber, wie man einen Quantum Annealer in ein neuronales Netz integrieren kann, um Computer Vision Probleme zu lösen. Dies kann auch als ein Lernverfahren interpretiert werden, um das Aufstellen des Optimierungsproblems, welches für den Quantum Annealer geeignet ist, aus dem Computer Vision Problem heraus zu automatisieren. Weiterhin wird auch eine Arbeit behandelt, bei der eine iterative Methode die begrenzte Konnektivität von Quantum Annealern kompensieren soll. In dieser Arbeit wird keine konkrete Anwendung in der Computer Vision behandelt. Stattdessen werden die entwickelten Optimierungsverfahren auf Max-Cut-Problemen getestet. Die Doktorarbeit wird kumulativ verfasst, sodass die einzelnen Publikationen separat präsentiert werden. Die Arbeiten sind motiviert durch folgende grundlegende Fragestellungen: Wie groß ist der Nutzen von Quantum Annealing in Computer Vision und wie würden Computer Vision Algorithmen aussehen, welche Quantum Annealing verwenden? Eine andere Sichtweise bietet die folgende Frage: Was würde sich im Forschungsfeld der Computer Vision ändern, wenn es massive Fortschritte im Lösen von quadratischen, unrestringierten, binären Optimierungsproblemen gäbe; unabhängig davon, ob diese mit oder ohne Quantum Computing erzielt werden?enAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/004 InformatikQuantum AnnealingComputer VisionShape MatchingQuanten-AnnealingComputer VisionFormen ZuordnungDoctoral ThesisMöller, Michaelurn:nbn:de:hbz:467-93410