Forschung & Entwicklung
Wir bauen die Werkzeuge, bevor wir die Leistung verkaufen
Cloudly Studio begann als Forschungsprojekt, nicht als Studio. Jede Leistung, die wir heute anbieten, begann als offene technische Frage: Lässt sich das präzise, reproduzierbar und schnell genug umsetzen, dass es sich lohnt, es anzubieten? Diese Seite dokumentiert diese Fragen, was wir entwickelt haben, um sie zu beantworten, und wo jede einzelne heute steht.
Warum ein 3D-Studio F&E betreibt
Forschung nah an echten Produktionsproblemen
Methoden, bevor der Markt sie hat
Kunden erhalten Ansätze, die wir bereits in eigenen Projekten getestet haben – keine Experimente unter ihrem Termindruck.
Keine Blackboxen
Die Kernwerkzeuge, von unserem Produktviewer bis zu unseren Pipelines und Qualitätsprüfungen, gehören uns. Wir können sie erklären, anpassen und betreuen.
Präzision zuerst
Generative KI ist nützlich, darf aber nie verändern, was ein Ingenieur freigegeben hat. Ein Großteil unserer Forschung dreht sich darum, wo genau diese Grenze verläuft.
Der rote Faden unserer Forschung
Eine Frage, sechs Anläufe
Jedes Projekt hat einen Engpass zwischen einem realen Objekt und seinem präzisen, wiederverwendbaren digitalen Abbild beseitigt: zuerst bei Menschen, dann bei Produkten, Szenen und Zeichnungen und jetzt bei ganzen Umgebungen.
-
Digitale Zwillinge realer Menschen
Die FrageLässt sich das Erscheinungsbild einer realen Person so fotorealistisch und konsistent reproduzieren, dass es ein Fotoshooting ersetzen kann?
Was wir entwickelt habenBildmodelle, die auf Referenzfotos realer Menschen feinabgestimmt wurden, sowie eine Testroutine für Identitätskonsistenz über Posen, Beleuchtung und Bildausschnitte hinweg.
Was daraus entstandDie Methoden zur Identitätskonsistenz hinter unserer App zur Visualisierung von Bekleidung und Accessoires. Diese Arbeit begann, bevor Cloudly Studio als Gesellschaft eingetragen wurde, und wurde bei der Gründung in das Unternehmen eingebracht.
-
Unser eigener 3D-Produktviewer
Die FrageKann ein Browser ein technisch exaktes Produkt mit präziser Geometrie, echten Materialien und fotorealistischem Licht schnell auf einem Messe-Touchscreen oder einem Smartphone darstellen, ohne dass generative KI auch nur in die Nähe der Geometrie kommt?
Was wir entwickelt habenEin Viewer auf Basis von three.js, ergänzt durch eine experimentelle, selbst entwickelte WebGL2-Rendering-Engine. Er bietet komprimierte Geometrie und Texturen für schnelles Laden, bildbasierte Studiobeleuchtung sowie an einzelnen Bauteilen verankerte Hotspots, die mit unserem eigenen Editor platziert werden. Animationen sind in Kapitel gegliedert, und die Ansicht wechselt nahtlos von Live-3D zu vorgerendertem 4K-Video. Der Viewer durchlief mehrere Generationen und mehr als 140 dokumentierte Revisionen.
Was daraus entstandUnsere interaktiven Produkterlebnisse, darunter die Robotik-Pavillon-Demo.
Review-Session am Produktviewer: Jede Iteration wird auf den Bildschirmgrößen getestet, auf denen sie später tatsächlich genutzt wird. -
Kuratierbare 3D-Szenen mit generativer KI
Die FrageKann ein Marketingverantwortlicher ohne technischen Hintergrund eine Präsentationsszene zusammenstellen und ein Bild in Rendering-Qualität erhalten, wobei generative KI die Umgebung erzeugt, das Produkt selbst aber exakt so bleibt, wie es konstruiert wurde?
Was wir entwickelt habenEin Szenen-Builder als MVP, der die Produktebene (Geometrie, Proportionen und Materialien) von der Umgebungsebene trennt, die von KI erzeugt werden darf.
Aktueller StandDas MVP funktioniert. Offen ist noch, wie Licht und Reflexionen zwischen dem geschützten Produkt und der generierten Umgebung physikalisch konsistent bleiben.
-
Echte 3D-Modelle aus 2D-Zeichnungen
Die FrageViele Industrieprodukte existieren nur als technische 2D-Zeichnungen. Lassen sich diese Zeichnungen in maßlich zuverlässige 3D-Modelle überführen, ohne jedes einzelne von Hand nachzubauen?
Was wir entwickelt habenEin Prototyp, der die einzelnen Ansichten auf einem Zeichnungsblatt erkennt, Vorder-, Drauf- und Seitenansicht identifiziert, sie anhand ihrer Maße zueinander ausrichtet und daraus ein Volumenmodell für das Web rekonstruiert. Parallel dazu haben wir die Rekonstruktion aus Fotos getestet.
Aktueller StandBei einfacher Geometrie sind die Ergebnisse vielversprechend. Komplexe, sich durchdringende Formen sind das offene Problem, an dem wir derzeit arbeiten.
-
Detaillierte Visualisierung von Bekleidung und Accessoires
Die FrageKann generative KI ein bestimmtes Kleidungsstück oder Accessoire so zeigen, wie es wirklich ist, mit exakter Farbe, exaktem Stoff und allen Details, statt eines bloß plausibel wirkenden Doppelgängers?
Was wir entwickelt habenEine funktionsfähige Anwendung, die mehrere Bildgenerierungs-Engines mit einer automatischen Qualitätsschranke kombiniert. Jedes Ergebnis wird anhand der originalen Produktreferenzen bewertet, und alles unterhalb des Schwellenwerts wird mit gezielten Korrekturen neu generiert. Die App plant außerdem die minimal nötigen Aufnahmen für jedes Produkt und protokolliert, aus welchen Inputs jedes einzelne Bild entstanden ist.
Was daraus entstandEin Prinzip, das wir heute überall anwenden: KI-Ergebnisse werden erst akzeptiert, wenn sie gegen die maßgebliche Referenz geprüft wurden.
-
Umgebungserfassung mit Gaussian Splatting
Die FrageLässt sich ein realer Standort, ob Produktionshalle, Fertigungslinie, Showroom oder Messestand, schnell genug als navigierbares, fotorealistisches 3D erfassen, um kommerziell praktikabel zu sein, und mit den präzisen, CAD-basierten Produktmodellen kombinieren, die wir bereits erstellen?
Aktueller StandWir testen derzeit Erfassungstechnik, Verarbeitungsmethoden und die Auslieferung im Web. Genau hier suchen wir industrielle Pilotpartner (siehe unten).
Wie wir forschen
Forschung mit lückenloser Dokumentation
Jedes Projekt beginnt mit einer schriftlich formulierten Frage und den Unsicherheiten, die wir klären müssen. Gearbeitet wird in kurzen Iterationen, und jedes Experiment wird dokumentiert, auch die gescheiterten, denn gerade sie zeigen, wo die tatsächlichen Grenzen liegen.
Forschung bleibt von der Kundenproduktion getrennt. Eine Methode wird erst in unsere Standard-Pipeline übernommen, wenn sie validiert ist. So erhalten Kunden das Ergebnis, nicht das Experiment.
Das Ergebnis: Neue Fähigkeiten erreichen unsere Kunden bereits getestet, dokumentiert und in unserer eigenen Hand.
Gaussian-Splat-Pilotprojekt
Zeigen Sie Ihren Standort, nicht nur Ihr Produkt
Wir wählen zwei oder drei Industrieunternehmen für ein frühes Gaussian-Splat-Pilotprojekt aus. Eine Fertigungslinie, eine Halle, ein Showroom oder ein Messestand, erfasst als navigierbarer, fotorealistischer 3D-Raum, der im Browser läuft.
Für das Pilotprojekt bewerbenGeeignet für
- Hersteller, die mit ihrem Können überzeugen, nicht nur mit ihrem Produkt
- Standorte, die für Kunden schwer oder nur mit hohem Aufwand zu besuchen sind
- Teams, die sich auf eine Messe vorbereiten
Pilotpartner erhalten
- frühen Zugang zur Methode
- direkten Einfluss auf ihre Weiterentwicklung
- Pilotkonditionen
Weiterführende Literatur
Praktische Leitfäden des Teams zu Spezifikationen, Systemen und Workflows.
CAD Zeichnungen & STEP-Dateien ab Tag eins bewerten - Planbare 3D Renderings
Wie wir CAD Zeichnungen, technische Zeichnungen und STEP-Dateien vor dem Rendering prüfen - Geometrie-Lücken früh erkennen, damit jede 3D Rendering-Lieferung im Zeitplan bleibt.
Artikel lesen
Review-Ping-Pong stoppen - 3D Rendering-Freigabe-Workflow der liefert
Korrekturschleifen auf einen strukturierten Durchlauf reduzieren. Wie wir Feedback zu CAD Zeichnungen und technischen Zeichnungen ohne endlose Iterationen managen.
Artikel lesen
Nur Rendering vs. 3D Modell besitzen - ROI auf CAD Zeichnungen & 3D Assets
Wann wird der Besitz des aus CAD Zeichnungen erstellten 3D Modells zum Geschäftshebel? Der Vergleich für Teams mit großen SKU-Katalogen - Rendering-only vs. Modelleigentum.
Artikel lesen