Viele Sachen gemacht, leider noch nicht genug

2026-04-02 23:18:50 +02:00
parent 6cefc3f41b
commit a73f68c578
14 changed files with 3179 additions and 82 deletions
--- a/Prewrite/2.
+++ b/Prewrite/2.
@@ -0,0 +1,136 @@
+# Deep Research Prompts für Grundlagen-Kapitel
+
+Diese Prompts sind für Deep Research Tools (ChatGPT Deep Research, Claude Web Research o.ä.) gedacht. Ziel: Korrekte, zitierbare Quellen und kurze Formulierungshilfen für das Grundlagen-Kapitel einer Masterarbeit über synthetische Augenbildgenerierung mit Blender und YOLO-basierte Pupillensegmentierung.
+
+**Sprache der Arbeit:** Deutsch
+**Gewünschtes Format der Ergebnisse:** Pro Konzept 1-2 zitierbare Quellen (Lehrbuch oder Paper, mit Autor/Titel/Jahr/Verlag), korrekte deutsche und englische Fachbegriffe, und eine kurze Erklärung (2-5 Sätze), die als Formulierungsgrundlage dient.
+
+---
+
+## Deep Research 1: Augenanatomie und Periorbitalregion
+
+### Prompt
+
+Ich schreibe eine Masterarbeit (Informatik) über die Generierung synthetischer Augenbilder zur Verbesserung von Deep-Learning-basiertem Eye-Tracking. Im Grundlagen-Kapitel brauche ich korrekte anatomische Definitionen und zitierbare Quellen für folgende Konzepte. Bitte liefere pro Konzept: korrekte deutsche und englische Fachbegriffe, eine kurze Definition (2-5 Sätze), und 1-2 zitierbare Quellen (Lehrbuch oder Paper mit vollständiger bibliographischer Angabe).
+
+**Grundaufbau des Auges (jeweils kurze Definition, nicht ophthalmologisch tief):**
+- Pupille (Pupil)
+- Iris
+- Sklera (Sclera)
+- Kornea / Hornhaut (Cornea)
+- Wie erscheinen diese Strukturen in Nahinfrarot-Bildern (NIR)? Insbesondere: Pupille erscheint dunkel, Iris hat charakteristische Textur, Sklera ist hell, Kornea erzeugt spekulare Reflexionen (Glints). Gibt es eine zitierbare Quelle aus der Eye-Tracking-Literatur, die das beschreibt?
+
+**Augenlid und Periorbitalregion:**
+- Periorbitalregion: Was umfasst sie genau?
+- Lidspalte (Palpebral Fissure): Definition
+- Medialer Kanthus / Endokanthion (Medial Canthus / Endocanthion): Definition
+- Lateraler Kanthus / Exokanthion (Lateral Canthus / Exocanthion): Definition
+
+**Morphologische Merkmale der Periorbitalregion (rein anatomisch, keine Populationsstatistik):**
+- Epikanthusfalte (Epicanthal Fold): Was ist das anatomisch? Wie wird sie definiert?
+- Supratarsalfalte / Oberlidfalte (Superior Palpebral Sulcus / Lid Crease / Supratarsal Fold): Hier ist die Terminologie in der Literatur nicht einheitlich. Was ist der korrekte Fachbegriff? Was ist der Unterschied zwischen "Lid Crease" und "Lid Fold"? Wie hängt das mit der "Doppellidfalte" (Double Eyelid) zusammen?
+- Lidptosis / Blepharoptosis (Ptosis): Definition, Abgrenzung von normalem Lidschluss
+
+**Koordinatensystem:**
+- Medizinische Richtungsbezeichnungen im Kontext der Augenregion: superior, inferior, anterior, posterior, medial, lateral, mediolateral. Gibt es ein Standardwerk, das diese Begriffe im ophthalmologischen/kraniofazialen Kontext definiert?
+
+**Wichtig:** Ich brauche KEINE ophthalmologische Tiefe (kein Kammerwasser, keine Retina, kein Sehnerv). Auch KEINE populationsbezogene Variationsstatistik (das ist in einem anderen Kapitel). Nur die anatomischen Definitionen, die man braucht, um zu verstehen, welche Strukturen in einem Augenbild sichtbar sind und welche morphologischen Merkmale die Augenform beeinflussen.
+
+---
+
+## Deep Research 2: Computergrafik-Grundlagen
+
+### Prompt
+
+Ich schreibe eine Masterarbeit (Informatik) über die Generierung synthetischer Augenbilder mit Blender. Im Grundlagen-Kapitel brauche ich zitierbare Quellen für Computergrafik-Konzepte. Bitte liefere pro Konzept: eine kurze Erklärung (2-5 Sätze, auf dem Niveau eines CG-Lehrbuchs), und 1-2 zitierbare Standardquellen (Lehrbuch oder Originalpaper mit vollständiger bibliographischer Angabe).
+
+**Rendering:**
+- Was ist Rendering? (Berechnung eines 2D-Bildes aus einer 3D-Szenenbeschreibung)
+- Unterschied Path Tracing vs. Rasterisierung: Wann verwendet man was? Kurze Charakterisierung beider Ansätze.
+- Welches CG-Standardlehrbuch eignet sich als Quelle? Kandidaten wären z.B. Pharr/Humphreys "Physically Based Rendering", Hughes et al. "Computer Graphics: Principles and Practice", Akenine-Moeller et al. "Real-Time Rendering", Foley et al. "Computer Graphics". Welches ist am besten geeignet als einzelne Referenz für Rendering-Grundlagen?
+
+**Oberflächendarstellungen:**
+- Parametrische vs. implizite Oberflächen: Kurze Gegenüberstellung (Stärken/Schwächen). Zitierbare Lehrbuchquelle.
+
+**Polygon-Meshes:**
+- Definition von Vertex, Edge, Face/Polygon
+- Was bedeutet Mesh-Topologie? Insbesondere: quad-dominante vs. irreguläre Vertices (Extraordinary Vertices)
+- Zitierbare Lehrbuchquelle
+
+**Subdivision Surfaces und Catmull-Clark-Algorithmus:**
+- Originalpaper: Catmull & Clark, 1978 (vollständige bibliographische Angabe)
+- Kernidee: grobes Kontrollnetz wird rekursiv unterteilt und geglättet
+- C2-Stetigkeit bei regulären Vertices, C1 bei irregulären (Extraordinary Vertices) -- ist das korrekt? Quelle?
+- Edge Creases (scharfe Kanten trotz Subdivision): Wie heißt das Konzept korrekt? Gibt es ein Paper oder eine Lehrbuchstelle dazu? (DeRose et al. 1998 "Subdivision Surfaces in Character Animation"?)
+
+**Shape-Keys / Morph Targets / Blend Shapes:**
+- Der Begriff "Shape Key" ist Blender-spezifisch. Was sind die allgemeinen Fachbegriffe? ("Morph Target" in Games, "Blend Shape" in Animation?)
+- Zitierbare Quelle für das Konzept (CG-Lehrbuch oder Seminal Paper)
+- Kernprinzip: pro-Vertex-Positionsoffsets, lineare Interpolation, additive Kombination
+
+**UV-Mapping:**
+- Definition: 2D-Parametrisierung einer 3D-Oberfläche
+- Zitierbare Lehrbuchquelle
+
+Vielleicht kommt für einige dieser Sachen "Polygon Mesh Processing" von Botsch et al. 2010 in Frage?
+
+**Wichtig:** Ich brauche KEINE vollständigen mathematischen Herleitungen. Nur das Konzept, den korrekten Fachbegriff, und eine zitierbare Quelle.
+
+---
+
+## Deep Research 3: Statistische Methoden, Evaluationsmetriken und ML-Grundlagen
+
+### Prompt
+
+Ich schreibe eine Masterarbeit (Informatik) über synthetische Augenbildgenerierung und YOLO-basierte Pupillensegmentierung. Im Grundlagen-Kapitel brauche ich zitierbare Quellen und kurze Erklärungen für statistische Methoden und Evaluationsmetriken. Bitte liefere pro Konzept: eine kurze Erklärung (2-5 Sätze), die korrekte Formulierung der Definition/Nullhypothese, und 1-2 zitierbare Quellen (Lehrbuch oder Paper mit vollständiger bibliographischer Angabe).
+
+**Statistische Methoden (Hauptfokus dieses Research):**
+
+- **Wilcoxon-Vorzeichen-Rang-Test (Wilcoxon Signed-Rank Test):**
+  - Korrekte Formulierung der Nullhypothese
+  - Wann ist der Test anwendbar? (gepaarte Stichproben, keine Normalverteilungsannahme)
+  - Unterschied zum Wilcoxon-Rangsummentest (Mann-Whitney-U)
+  - Statistik-Lehrbuch als Quelle (z.B. Hollander, Wolfe & Chicken "Nonparametric Statistical Methods"? Oder Sheskin "Handbook of Parametric and Nonparametric Statistical Procedures"?)
+
+- **BCa-Bootstrap-Konfidenzintervalle (Bias-Corrected and Accelerated Bootstrap):**
+  - Was ist Bootstrapping? (Resampling mit Zurücklegen)
+  - Was macht BCa anders als einfaches Perzentil-Bootstrap? (Korrektur für Bias und Schiefe)
+  - Standardquelle: Efron & Tibshirani "An Introduction to the Bootstrap" (1993)? Oder Efron 1987 "Better Bootstrap Confidence Intervals"?
+  - Korrekte bibliographische Angabe
+
+**Evaluationsmetriken (Gegenprüfung -- ich habe schon Formulierungen, brauche aber korrekte Quellen):**
+
+- **Intersection over Union (IoU) / Jaccard-Index:**
+  - Formel: IoU = TP / (TP + FP + FN)
+  - Gibt es eine zitierwürdige Originalquelle? (Jaccard 1912?)
+  - Oder reicht ein Survey-Paper wie Taha & Hanbury 2015 "Metrics for evaluating 3D medical image segmentation"?
+
+- **Dice-Koeffizient / F1-Score:**
+  - Formel: Dice = 2*TP / (2*TP + FP + FN)
+  - Beziehung zu IoU: Dice = 2*IoU / (1+IoU) -- ist das korrekt?
+  - Originalquelle: Dice 1945 "Measures of the Amount of Ecologic Association Between Species"?
+  - Ist der Dice-Koeffizient identisch mit dem F1-Score? (Ja, bei binärer Klassifikation)
+
+- **TP, FP, FN, TN im Kontext binärer Segmentierungsmasken:**
+  - Kurze, korrekte Definition
+  - Warum ist Accuracy bei Klassenungleichgewicht irreführend? Gibt es eine zitierbare Quelle für dieses Argument?
+
+**ML-Grundlagen (Gegenprüfung -- ich schreibe das selbst, brauche aber die korrekten Standardreferenzen):**
+
+- **Convolutional Neural Networks:**
+  - Welches ist DAS Standard-Lehrbuch? Goodfellow, Bengio & Courville "Deep Learning" (2016)?
+  - LeCun et al. 1998 ("Gradient-Based Learning Applied to Document Recognition") als Klassiker-Paper?
+  - Brauche nur die korrekte bibliographische Angabe, keine inhaltliche Erklärung.
+
+- **YOLO als Konzept:**
+  - Redmon et al. 2016 "You Only Look Once: Unified, Real-Time Object Detection" -- korrekte bibliographische Angabe (Konferenz: CVPR 2016?)
+  - Brauche nur die Referenz, keine inhaltliche Erklärung.
+
+- **Semantische vs. Instanzsegmentierung:**
+  - Kurze, zitierbare Abgrenzung der beiden Begriffe
+  - Quelle: Garcia-Garcia et al. 2017 "A Review on Deep Learning Techniques Applied to Semantic Segmentation"? Oder gibt es etwas Besseres?
+
+- **Train/Validation/Test-Split:**
+  - Standardlehrbuch als Quelle (Goodfellow et al. 2016? Bishop 2006? Hastie et al. 2009?)
+
+**Wichtig:** Bei den ML-Grundlagen brauche ich primär die korrekten bibliographischen Angaben als Gegenprüfung. Die inhaltlichen Erklärungen schreibe ich selbst. Bei den statistischen Methoden brauche ich mehr inhaltliche Hilfe, weil Wilcoxon und BCa in den Peer-Masterarbeiten unserer Gruppe nicht vorkommen und ich sicherstellen will, dass die Erklärungen korrekt sind.
--- a/Prewrite/2.
+++ b/Prewrite/2.
@@ -0,0 +1,877 @@
+## von ChatGPT: Anatomische Grundlagen der Augen- und Periorbitalregion
+
+### Grundaufbau des Auges 
+
+* **Pupille (Pupil):** Zentrale Öffnung in der Iris, die den Lichteinfall reguliert[\[1\]](https://link.springer.com/chapter/10.1007/978-3-662-47284-2_13#:~:text=Die%20Pupille%20ist%20die%20zentrale,In%20der%20N%C3%A4he). Sie fungiert wie eine Blende und wird durch Muskelspannen der Iris vergrößert oder verkleinert.
+* **Iris (Regenbogenhaut):** Muskuläre, ringförmige Struktur mit Pigmenten um die Pupille. Sie besteht aus zwei gegensätzlich wirkenden Muskeln, die den Pupillendurchmesser steuern[\[2\]](https://link.springer.com/chapter/10.1007/978-3-662-47284-2_13#:~:text=sehen%20zu%20k%C3%B6nnen,den%20Durchmesser%20der%20Pupille%20bestimmen) (Farbe und Textur der Iris sind unter sichtbarem Licht erkennbar).
+* **Sklera (Sclera, Lederhaut):** Opaques, faserreiches Bindegewebe, das den größten Teil des Augapfels umschließt. Sie besteht überwiegend aus kollagenen Fasern und bildet die weiße Schicht des Auges[\[3\]](https://en.wikipedia.org/wiki/Sclera#:~:text=The%20sclera%2C,2). In Menschen ist die Sklera unpigmentiert weiß oder blass[\[4\]](https://en.wikipedia.org/wiki/Sclera#:~:text=In%20humans%20%2C%20and%20some,contrasting%20with%20the%20coloured%20iris), sodass sie deutlich von der farbigen Iris abgesetzt ist.
+* **Kornea (Hornhaut):** Der transparente, vordere Teil des Auges, der Iris und Pupille überdeckt[\[5\]](https://en.wikipedia.org/wiki/Cornea#:~:text=The%20cornea%20is%20the%20transparent,2%20%5D%20In). Zusammen mit der vorderen Augenkammer bricht die Hornhaut das einfallende Licht und trägt etwa zwei Drittel der Gesamtbrechkraft des Auges[\[5\]](https://en.wikipedia.org/wiki/Cornea#:~:text=The%20cornea%20is%20the%20transparent,2%20%5D%20In).
+* **Erscheinungsbild in Nahinfrarot (NIR):** Bei Infrarot-Beleuchtung erscheint die **Pupille** meist dunkel, da das Auge kein helles Rückreflexbild (Bright-Pupil) liefert (off-axis IR-Beleuchtung). Die **Iris** zeigt gut erkennbare strukturelle Muster (Melanin ist bei IR durchlässig). Die **Sklera** wirkt sehr hell (lichtreflektierende weiße Oberfläche)[\[4\]](https://en.wikipedia.org/wiki/Sclera#:~:text=In%20humans%20%2C%20and%20some,contrasting%20with%20the%20coloured%20iris). Die **Hornhaut** erzeugt helle, punktförmige, spiegelnde Reflexe (erste Purkinje-Reflexe, sogenannte *Glints*)[\[6\]](https://www.mdpi.com/1995-8692/7/1/4#:~:text=on%20the%20principle%20that%20when,CR%29%29%2C%20is%20tracked), wenn sie von einer IR-Quelle beleuchtet wird. Dieser Glint-Punkt wird in vielen Eye-Tracking-Systemen als Referenz verwendet[\[6\]](https://www.mdpi.com/1995-8692/7/1/4#:~:text=on%20the%20principle%20that%20when,CR%29%29%2C%20is%20tracked).
+### Augenlid und Periorbitalregion
+* **Periorbitalregion:** Bezeichnet die Gewebe und Strukturen rund um die Augenhöhle (Orbita) außer dem Augapfel selbst. Sie umfasst vor allem Ober- und Unterlid sowie Augenbrauen und angrenzende Weichteile. Das **Augenlid (Palpebra)** ist ein Haut- und Muskel-Faltenkomplex, der den vorderen Augapfel bedeckt[\[7\]](https://elementsofmorphology.nih.gov/anatomy-periorbital.shtml#:~:text=Eyelid%20%28Synonym%3A%20Blepharon%2C%20palpebra%20,muscle%20to%20the%20orbicularis%20oculi).
+* **Lidspalte (Palpebral Fissure):** Die schlitzförmige Öffnung zwischen oberem und unterem Lid, wenn das Auge geöffnet ist. Anatomisch ist sie der elliptische Bereich zwischen innerem (medialem) und äußerem (lateralem) Lidwinkel[\[8\]](https://en.wikipedia.org/wiki/Palpebral_fissure#:~:text=The%20palpebral%20fissure%20is%20the,vertically%20and%2030%20mm%20horizontally).
+* **Medialer Kanthus (Endokanthion):** Der innere Augenwinkel am nasenseitigen Lidrand, wo Ober- und Unterlid zusammentreffen[\[9\]](https://en.wikipedia.org/wiki/Canthus#:~:text=The%20canthus%20%28pl,ends%2Fangles%20of%20the%20palpebral%20fissure). In der Mitte dieses Winkelraumes liegt die Tränenpünktchenkerbe (Lacus lacrimalis).
+* **Lateraler Kanthus (Exokanthion):** Der äußere Augenwinkel am seitlichen Lidrand, wo Ober- und Unterlid enden[\[9\]](https://en.wikipedia.org/wiki/Canthus#:~:text=The%20canthus%20%28pl,ends%2Fangles%20of%20the%20palpebral%20fissure).
+### Morphologische Merkmale der Periorbitalregion
+
+* **Epikanthusfalte (Epicanthal fold):** Ein vertikaler Hautlappen im Bereich des nasalen Lidwinkels. Er verläuft von der Nase zum Oberlid und kann den inneren Augenwinkel teilweise verdecken[\[10\]](https://en.wikipedia.org/wiki/Epicanthic_fold#:~:text=An%20epicanthic%20fold%20or%20epicanthus,slight). Diese Falte ist anatomisch eine Verstärkung des nasalen Weichgewebes, die besonders häufig bei Säuglingen und bestimmten Ethnien (z.B. Ostasiaten) ausgeprägt ist[\[10\]](https://en.wikipedia.org/wiki/Epicanthic_fold#:~:text=An%20epicanthic%20fold%20or%20epicanthus,slight).
+* **Supratarsalfalte / Oberlidfalte (Superior palpebral sulcus oder Lid-Crease):** Die natürliche Lidumschlagsfalte im oberen Lid. Anatomisch entsteht sie dort, wo sich der Levator-Aponeurose (Hebemuskel) mit der Lidhaut verbindet und eine Einschnürung bildet[\[11\]](https://entokey.com/eyelid-anatomy-2/#:~:text=portions%20through%20this%20potential%20plane%2C,which%20is%20best%20developed). Ein sichtbarer Lid-Crease („Doppellid“) liegt vor, wenn diese Falte deutlich ausgeprägt ist, während sie bei einem „Monolid“ fehlt[\[12\]](https://pmc.ncbi.nlm.nih.gov/articles/PMC4536062/#:~:text=The%20upper%20lid%20crease%20can,the%20double%20eyelid%20morphology%20into). In der Literatur wird „Lid-Crease“ (Lidfalte) meist synonym mit Supratarsalfalte verwendet. Der Begriff „Lid-Fold“ ist nicht standardisiert und wird oft umgangssprachlich gebraucht. Das Vorhandensein dieser Falte (Double Eyelid) ist vor allem in Asien kosmetisch und anatomisch bedeutsam[\[12\]](https://pmc.ncbi.nlm.nih.gov/articles/PMC4536062/#:~:text=The%20upper%20lid%20crease%20can,the%20double%20eyelid%20morphology%20into)[\[11\]](https://entokey.com/eyelid-anatomy-2/#:~:text=portions%20through%20this%20potential%20plane%2C,which%20is%20best%20developed).
+* **Lidptosis / Blepharoptose (Ptosis):** Eine Absenkung des Oberlids im offenen Zustand. Dabei befindet sich der Lidrand deutlich tiefer als normal (er bedeckt mehr als \~1–2 mm der Hornhaut)[\[13\]](https://eyewiki.org/Blepharoptosis#:~:text=Blepharoptosis%20is%20an%20abnormal%20low,or%20dermatochalasis%2C%20is%20a%20separate). Ptosis beruht auf einer Schwäche oder Schädigung der Lidheber-Muskulatur und ist konstant vorhanden – im Gegensatz zum normalen Lidschluss (Blinzeln), bei dem das Lid nur kurz vollständig schließt. Bei Ptosis bleibt das Lid bei geöffnetem Auge dauerhaft abgesenkt[\[13\]](https://eyewiki.org/Blepharoptosis#:~:text=Blepharoptosis%20is%20an%20abnormal%20low,or%20dermatochalasis%2C%20is%20a%20separate).
+### Richtungsbezeichnungen
+* **Superior / Inferior:** Im menschlichen Kontext entspricht *superior* (kranial) „zum Kopf hin“ (oben) und *inferior* (kaudal) „zum Fuß hin“ (unten)[\[14\]](https://en.wikipedia.org/wiki/Anatomical_terms_of_location#:~:text=In%20the%20standard%20human%20anatomical,caudal%20describes%20what%20is%20below). (Hinweis: In Augenanatomie wird manchmal auch *dorsal*/ *ventral* statt *superior*/*inferior* verwendet[\[15\]](https://en.wikipedia.org/wiki/Anatomical_terms_of_location#:~:text=In%20the%20standard%20human%20anatomical,1).)
+* **Anterior / Posterior:** *Anterior* (ventral) bedeutet „vorne (bauchwärts)“, *posterior* (dorsal) „hinten (rückenseits)“[\[15\]](https://en.wikipedia.org/wiki/Anatomical_terms_of_location#:~:text=In%20the%20standard%20human%20anatomical,1). Diese Bezeichnungen richten sich an der Körpervorder- bzw. \-rückseite aus.
+* **Medial / Lateral:** *Medial* bezeichnet die Richtung zur mittleren Körper-/Gesichtslinie, *lateral* die seitliche Richtung weg von der Mitte[\[16\]](https://en.wikipedia.org/wiki/Anatomical_terms_of_location#:~:text=These%20terms%20describe%20how%20close,For%20example%2C%20in%20a). Beispielsweise sind die Nasenstruktur medial zum Auge, die Schläfenregion lateral. (Ein kombinierter Begriff *mediolateral* könnte im Sinne einer Achse verstanden werden, die von der Mitte zur Seite verläuft.)
+
+**Quellen:** Autoren begleitete Lehrbuchkapitel und Fachartikel der Ophthalmologie und Morphologie[\[17\]](https://link.springer.com/chapter/10.1007/978-3-662-47284-2_13#:~:text=Die%20Pupille%20ist%20die%20zentrale,den%20Durchmesser%20der%20Pupille%20bestimmen)[\[3\]](https://en.wikipedia.org/wiki/Sclera#:~:text=The%20sclera%2C,2)[\[5\]](https://en.wikipedia.org/wiki/Cornea#:~:text=The%20cornea%20is%20the%20transparent,2%20%5D%20In)[\[10\]](https://en.wikipedia.org/wiki/Epicanthic_fold#:~:text=An%20epicanthic%20fold%20or%20epicanthus,slight)[\[13\]](https://eyewiki.org/Blepharoptosis#:~:text=Blepharoptosis%20is%20an%20abnormal%20low,or%20dermatochalasis%2C%20is%20a%20separate)[\[6\]](https://www.mdpi.com/1995-8692/7/1/4#:~:text=on%20the%20principle%20that%20when,CR%29%29%2C%20is%20tracked) liefern diese Definitionen und Terminologie. Weitere Standardbegriffe sind in der *Terminologia Anatomica* festgelegt[\[18\]](https://en.wikipedia.org/wiki/Anatomical_terms_of_location#:~:text=vocabularies%20for%20humans%20,5)[\[16\]](https://en.wikipedia.org/wiki/Anatomical_terms_of_location#:~:text=These%20terms%20describe%20how%20close,For%20example%2C%20in%20a).
+
+---
+[\[1\]](https://link.springer.com/chapter/10.1007/978-3-662-47284-2_13#:~:text=Die%20Pupille%20ist%20die%20zentrale,In%20der%20N%C3%A4he) [\[2\]](https://link.springer.com/chapter/10.1007/978-3-662-47284-2_13#:~:text=sehen%20zu%20k%C3%B6nnen,den%20Durchmesser%20der%20Pupille%20bestimmen) [\[17\]](https://link.springer.com/chapter/10.1007/978-3-662-47284-2_13#:~:text=Die%20Pupille%20ist%20die%20zentrale,den%20Durchmesser%20der%20Pupille%20bestimmen) Iris und Pupille | SpringerLink
+[https://link.springer.com/chapter/10.1007/978-3-662-47284-2\_13](https://link.springer.com/chapter/10.1007/978-3-662-47284-2_13)
+[\[3\]](https://en.wikipedia.org/wiki/Sclera#:~:text=The%20sclera%2C,2) [\[4\]](https://en.wikipedia.org/wiki/Sclera#:~:text=In%20humans%20%2C%20and%20some,contrasting%20with%20the%20coloured%20iris) Sclera \- Wikipedia
+[https://en.wikipedia.org/wiki/Sclera](https://en.wikipedia.org/wiki/Sclera)
+[\[5\]](https://en.wikipedia.org/wiki/Cornea#:~:text=The%20cornea%20is%20the%20transparent,2%20%5D%20In) Cornea \- Wikipedia
+[https://en.wikipedia.org/wiki/Cornea](https://en.wikipedia.org/wiki/Cornea)
+[\[6\]](https://www.mdpi.com/1995-8692/7/1/4#:~:text=on%20the%20principle%20that%20when,CR%29%29%2C%20is%20tracked) Mapping the Pupil-Glint Vector to Gaze Coordinates in a Simple Video-Based Eye Tracker
+[https://www.mdpi.com/1995-8692/7/1/4](https://www.mdpi.com/1995-8692/7/1/4)
+[\[7\]](https://elementsofmorphology.nih.gov/anatomy-periorbital.shtml#:~:text=Eyelid%20%28Synonym%3A%20Blepharon%2C%20palpebra%20,muscle%20to%20the%20orbicularis%20oculi) Elements of Morphology: Human Malformation Terminology
+[https://elementsofmorphology.nih.gov/anatomy-periorbital.shtml](https://elementsofmorphology.nih.gov/anatomy-periorbital.shtml)
+[\[8\]](https://en.wikipedia.org/wiki/Palpebral_fissure#:~:text=The%20palpebral%20fissure%20is%20the,vertically%20and%2030%20mm%20horizontally) Palpebral fissure \- Wikipedia
+[https://en.wikipedia.org/wiki/Palpebral\_fissure](https://en.wikipedia.org/wiki/Palpebral_fissure)
+[\[9\]](https://en.wikipedia.org/wiki/Canthus#:~:text=The%20canthus%20%28pl,ends%2Fangles%20of%20the%20palpebral%20fissure) Canthus \- Wikipedia
+[https://en.wikipedia.org/wiki/Canthus](https://en.wikipedia.org/wiki/Canthus)
+[\[10\]](https://en.wikipedia.org/wiki/Epicanthic_fold#:~:text=An%20epicanthic%20fold%20or%20epicanthus,slight) Epicanthic fold \- Wikipedia
+[https://en.wikipedia.org/wiki/Epicanthic\_fold](https://en.wikipedia.org/wiki/Epicanthic_fold)
+[\[11\]](https://entokey.com/eyelid-anatomy-2/#:~:text=portions%20through%20this%20potential%20plane%2C,which%20is%20best%20developed) Eyelid Anatomy | Ento Key
+[https://entokey.com/eyelid-anatomy-2/](https://entokey.com/eyelid-anatomy-2/)
+[\[12\]](https://pmc.ncbi.nlm.nih.gov/articles/PMC4536062/#:~:text=The%20upper%20lid%20crease%20can,the%20double%20eyelid%20morphology%20into)  The Asian Eyelid: Relevant Anatomy \- PMC
+[https://pmc.ncbi.nlm.nih.gov/articles/PMC4536062/](https://pmc.ncbi.nlm.nih.gov/articles/PMC4536062/)
+[\[13\]](https://eyewiki.org/Blepharoptosis#:~:text=Blepharoptosis%20is%20an%20abnormal%20low,or%20dermatochalasis%2C%20is%20a%20separate) Blepharoptosis \- EyeWiki
+[https://eyewiki.org/Blepharoptosis](https://eyewiki.org/Blepharoptosis)
+[\[14\]](https://en.wikipedia.org/wiki/Anatomical_terms_of_location#:~:text=In%20the%20standard%20human%20anatomical,caudal%20describes%20what%20is%20below) [\[15\]](https://en.wikipedia.org/wiki/Anatomical_terms_of_location#:~:text=In%20the%20standard%20human%20anatomical,1) [\[16\]](https://en.wikipedia.org/wiki/Anatomical_terms_of_location#:~:text=These%20terms%20describe%20how%20close,For%20example%2C%20in%20a) [\[18\]](https://en.wikipedia.org/wiki/Anatomical_terms_of_location#:~:text=vocabularies%20for%20humans%20,5) Anatomical terms of location \- Wikipedia
+[https://en.wikipedia.org/wiki/Anatomical\_terms\_of\_location](https://en.wikipedia.org/wiki/Anatomical_terms_of_location)
+
+---
+## Gemini: **Anatomische Grundlagen und morphologische Definitionen für die Synthese realistischer Augenbilder in der Blickerfassungsforschung**
+
+  
+
+Die Generierung synthetischer Trainingsdaten hat sich in der Informatik, insbesondere im Bereich des Deep-Learning-basierten Eye-Trackings, als eine der effektivsten Strategien erwiesen, um die Herausforderungen der Datenknappheit und der manuellen Annotation zu bewältigen. Da Deep-Learning-Modelle hochgradig sensitiv auf die Qualität und Varianz der Eingangsdaten reagieren, ist eine präzise anatomische Modellierung des Auges und der umgebenden Periorbitalregion unerlässlich. Ein tiefgreifendes Verständnis der ophthalmologischen und kraniofazialen Grundlagen erlaubt es, die „Reality Gap“ zwischen synthetischen Modellen und echten Kameraaufnahmen zu minimieren. Der folgende Bericht widmet sich der detaillierten Definition und Analyse jener anatomischen Konzepte, die für die Modellierung synthetischer Augenbilder von zentraler Bedeutung sind, wobei ein besonderer Fokus auf der Erscheinung dieser Strukturen unter Nahinfrarot-Licht (NIR) sowie auf den morphologischen Varianten der Augenregion liegt.
+
+  
+
+### **Grundaufbau des menschlichen Auges (Bulbus oculi)**
+
+  
+
+Der menschliche Augapfel, wissenschaftlich als Bulbus oculi bezeichnet, wird primär durch drei konzentrische Gewebeschichten definiert, die das innere Volumen umschließen.1 Für die computergestützte Bildverarbeitung und die Synthese von Augenbildern sind vor allem jene Strukturen relevant, die die äußere Geometrie und die sichtbare Oberfläche des Auges prägen. Diese Strukturen bestimmen, wie Licht reflektiert, gebrochen oder absorbiert wird, und bilden die Grundlage für alle Merkmals-basierten Tracking-Algorithmen.
+
+  
+
+#### **Die Pupille (Pupil)**
+
+  
+
+Die Pupille (lat. Pupilla) stellt anatomisch keine eigenständige Gewebestruktur dar, sondern bezeichnet die zentrale, regulierbare Öffnung innerhalb der Iris.3 Sie fungiert als Eintrittspforte für Lichtstrahlen in das optische System des Auges und dient somit als Aperturblende. Die Weite der Pupille wird durch das komplexe Zusammenspiel zweier glatter Muskeln in der Iris gesteuert: Der Musculus sphincter pupillae bewirkt unter parasympathischer Kontrolle eine Verengung (Miosis), während der Musculus dilatator pupillae unter sympathischem Einfluss eine Erweiterung (Mydriasis) herbeiführt.1 In der Eye-Tracking-Literatur wird die Pupille oft als ideale Ellipse modelliert, deren geometrisches Zentrum als primärer Bezugspunkt für die Schätzung des Blickvektors dient.5 Die Dynamik der Pupillengröße ist nicht nur eine Reaktion auf Lichtverhältnisse (Pupillenreflex), sondern korreliert auch mit kognitiver Belastung und emotionalen Zuständen, was für die Generierung synthetischer Daten in interaktiven Systemen von Bedeutung ist.3  
+
+**Zitierbare Quellen:**
+
+  
+
+* Aumüller, G., Aust, G., Engele, J., et al. (2020). *Duale Reihe Anatomie* (5. Aufl.). Stuttgart: Georg Thieme Verlag. 8  
+
+* Bear, M. F., Connors, B. W., & Paradiso, M. (2018). *Neurowissenschaften: Ein grundlegendes Lehrbuch für Biologie, Medizin und Psychologie* (4. Aufl.). Berlin: Springer Spektrum. 8
+
+  
+
+#### **Die Iris (Regenbogenhaut)**
+
+  
+
+Die Iris bildet den vorderen Teil der mittleren Augenhaut (Uvea) und umschließt die Pupille als farbiger, scheibenförmiger Ring.9 Sie trennt die vordere von der hinteren Augenkammer. Anatomisch setzt sich die Iris aus einem vorderen Stroma, das Melanozyten und Bindegewebe enthält, und einem hinteren, stark pigmentierten Epithel zusammen.1 Die individuelle Augenfarbe resultiert aus der Dichte der Pigmentierung sowie der Streuung des Lichts innerhalb des Stromas.3 Für die Bildsynthese ist die Iris aufgrund ihrer hochkomplexen, zufälligen Textur – bestehend aus Krypten, Furchen und Pigmentflecken – von hohem Wert, da sie als biometrisches Merkmal fungiert und zur Bestimmung der Torsion (Rotation um die optische Achse) genutzt werden kann.3  
+
+**Zitierbare Quellen:**
+
+  
+
+* Putz, R., & Pabst, R. (2006). *Sobotta: Atlas der Anatomie des Menschen* (22. Aufl.). München: Elsevier, Urban & Fischer. 1  
+
+* National Eye Institute (NEI). (2019). *Parts of the Eye*. NIH Publication. 9
+
+  
+
+#### **Die Sklera (Lederhaut)**
+
+  
+
+Die Sklera (lat. Sclera) bildet den posterioren und größten Teil der äußeren Augenhaut (Tunica fibrosa bulbi). Sie besteht aus einem dichten, stabilen Netzwerk von Kollagenfibrillen und elastischen Fasern, das dem Augapfel seine mechanische Festigkeit und Formkonstanz verleiht.13 Die Sklera ist nahezu gefäßlos und erscheint beim Menschen aufgrund der Lichtstreuung an den ungeordneten Kollagenfasern weiß, was sie im Kontrast zur dunkleren Iris und Pupille zu einem wesentlichen Merkmal für die Blickrichtungserkennung macht.13 Der sichtbare Bereich der Sklera wird von der transparenten Konjunktiva (Bindehaut) überzogen, die für die Befeuchtung sorgt.1 In der anthropologischen Literatur wird darauf hingewiesen, dass die weitflächig sichtbare Sklera beim Menschen ein evolutionäres Alleinstellungsmerkmal ist, das die nonverbale Kommunikation durch Blickrichtungssignale unterstützt.14  
+
+**Zitierbare Quellen:**
+
+  
+
+* Schünke, M., Schulte, E., & Schumacher, U. (2018). *Prometheus LernAtlas: Kopf, Hals und Neuroanatomie*. Stuttgart: Georg Thieme Verlag. 2  
+
+* Flexikon DocCheck. (2024). *Sklera*. 13
+
+  
+
+#### **Die Kornea (Hornhaut)**
+
+  
+
+Die Kornea (lat. Cornea) bildet das transparente „Fenster“ des Auges und schließt die äußere Augenhaut im anterioren Bereich ab.1 Sie ist stärker gewölbt als der restliche Bulbus und stellt mit einer Brechkraft von ca. 43 Dioptrien den wichtigsten Teil des optischen Apparats dar.1 Die Kornea ist gefäßlos und wird durch Diffusion aus dem Tränenfilm und dem Kammerwasser versorgt.1 Der Übergangsbereich zwischen der klaren Kornea und der weißen Sklera wird als Limbus bezeichnet.1 Für das Eye-Tracking ist die Kornea von herausragender Bedeutung, da ihre glatte Oberfläche als konvexer Spiegel wirkt, der externe Lichtquellen in Form von spekularen Reflexionen abbildet.11  
+
+**Zitierbare Quellen:**
+
+  
+
+* Duchowski, A. T. (2017). *Eye Tracking Methodology: Theory and Practice* (3. Aufl.). Cham: Springer. 17  
+
+* Lang, G. K. (2019). *Ophthalmologie*. Stuttgart: Georg Thieme Verlag. 1
+
+  
+
+### **Optische Erscheinung in Nahinfrarot-Bildern (NIR)**
+
+  
+
+Die Verwendung von Nahinfrarot-Licht (NIR), typischerweise im Wellenlängenbereich von 750 nm bis 950 nm, ist der Standard in der videobasierten Blickerfassung. NIR bietet den Vorteil, für das menschliche Auge unsichtbar zu sein, wodurch Ablenkungen vermieden werden, während es gleichzeitig robuste Merkmale für die Bildverarbeitung liefert.15  
+
+In NIR-Aufnahmen ergeben sich spezifische Intensitäts- und Kontrastverhältnisse, die sich signifikant von Aufnahmen im sichtbaren Spektrum unterscheiden. Die folgende Tabelle fasst diese Charakteristika zusammen, wie sie in der Standardliteratur zum Eye-Tracking beschrieben werden.15
+
+  
+
+| Struktur | Erscheinung unter NIR-Beleuchtung | Mechanismen und Ursachen |
+
+| :---- | :---- | :---- |
+
+| **Pupille** | Tiefschwarz (Dunkel) | Im sogenannten „Dark-Pupil“-Aufbau wird das NIR-Licht, das durch die Pupille tritt, vom Pigmentepithel der Retina absorbiert und nicht in die Kamera zurückgestreut, sofern die Lichtquelle nicht koaxial zur Kameraachse liegt.15 |
+
+| **Iris** | Charakteristische Textur | NIR-Strahlung dringt tiefer in das Irisstroma ein als sichtbares Licht. Dadurch treten Details der Gewebestruktur hervor, die im sichtbaren Licht oft durch Melanin überlagert werden, was eine zuverlässige Extraktion von Mustern ermöglicht.3 |
+
+| **Sklera** | Hell / Hohe Reflektivität | Die Kollagenstruktur der Sklera wirkt als starker Diffusor für NIR-Licht, was zu einer hellen, oft fast weißen Darstellung führt und einen scharfen Kontrast zum Irisrand (Limbus) erzeugt.15 |
+
+| **Kornea** | Transparent mit „Glints“ | Die Kornea bleibt durchsichtig, fungiert jedoch als sphärischer Spiegel für die IR-Beleuchtung. Es entstehen helle, punktförmige Glanzlichter (specular reflections oder „Glints“), die als Referenz für Kopfbewegungen dienen.15 |
+
+  
+
+Ein zentraler Aspekt der Eye-Tracking-Methodik ist die Unterscheidung zwischen „Dark Pupil“ und „Bright Pupil“. Während beim Dark-Pupil-Effekt die Lichtquelle versetzt zur Kamera angeordnet ist (off-axis), wird beim Bright-Pupil-Effekt eine koaxiale Beleuchtung genutzt. Hierbei wird das Licht von der Retina direkt zurück in die Kameralinse reflektiert, wodurch die Pupille als helle Scheibe erscheint.15 Dieses Phänomen ist vergleichbar mit dem „Rote-Augen-Effekt“ in der Fotografie.  
+
+**Zitierbare Quellen für NIR-Erscheinung:**
+
+  
+
+* Holmqvist, K., Nyström, M., Andersson, R., et al. (2011). *Eye Tracking: A Comprehensive Guide to Methods and Measures*. Oxford: Oxford University Press. 20  
+
+* Duchowski, A. T. (2017). *Eye Tracking Methodology: Theory and Practice* (3. Aufl.). Cham: Springer. 17
+
+  
+
+### **Augenlid und Periorbitalregion: Definitionen und Landmarken**
+
+  
+
+Die Periorbitalregion umfasst die anatomischen Strukturen, die den Augapfel unmittelbar umgeben und dessen sichtbare Form sowie die Dynamik der Augenöffnung bestimmen. In der Computer-Vision-basierten Analyse ist diese Region von entscheidender Bedeutung, da sie die Verdeckung des Augapfels durch die Lider und die Positionierung der Augenbrauen definiert.21
+
+  
+
+#### **Die Periorbitalregion (Periorbital Region)**
+
+  
+
+Die Periorbitalregion bezeichnet den Bereich des Gesichts, der die Augenhöhle (Orbita) und deren Weichteile einschließt.22 Sie wird nach oben durch die Augenbrauen und nach unten durch den Übergang zur Wange begrenzt. Zu den wesentlichen Bestandteilen gehören die Ober- und Unterlider, die palpebralen Furchen, die Kanthi sowie das periorbitale Fettgewebe und die mimische Muskulatur (insbesondere der Musculus orbicularis oculi).21 Die präzise Modellierung dieser Region ist notwendig, um die realistische Interaktion zwischen dem Augapfel und den umgebenden Weichteilen, wie z.B. das Mitbewegen der Lider bei vertikalen Blickrichtungsänderungen, zu simulieren.21
+
+  
+
+#### **Die Lidspalte (Palpebral Fissure)**
+
+  
+
+Die Lidspalte (lat. Rima palpebrarum) ist der elliptisch geformte Raum zwischen den freien Rändern des Ober- und Unterlids bei geöffnetem Auge.23 Sie bildet das Sichtfenster auf die Kornea und Sklera. Die Dimensionen der Lidspalte variieren individuell; im Durchschnitt misst sie horizontal etwa 30 mm und vertikal in der Mitte etwa 10-12 mm.24 Die Form der Lidspalte wird maßgeblich durch die Spannung der Lidbänder und die Funktion des Lidhebermuskels bestimmt.23
+
+  
+
+#### **Medialer Kanthus / Endokanthion (Medial Canthus / Endocanthion)**
+
+  
+
+Der mediale Kanthus (lat. Angulus oculi medialis) ist der innere Augenwinkel, an dem Ober- und Unterlid zusammentreffen.23 Er beherbergt die Tränenwarze (Caruncula lacrimalis). In der anthropometrischen Fachsprache nach Farkas wird der am weitesten innen liegende Punkt der Lidspaltenkommissur als **Endokanthion (en)** definiert.26 Dieser Punkt dient als stabiler Referenzwert für Messungen wie die Interkanthalbreite (Abstand zwischen den Augen).
+
+  
+
+#### **Lateraler Kanthus / Exokanthion (Lateral Canthus / Exocanthion)**
+
+  
+
+Der laterale Kanthus (lat. Angulus oculi lateralis) markiert den äußeren Augenwinkel, an dem die Lidränder zusammentreffen.23 Die anthropometrische Landmarke wird hier als **Exokanthion (ex)** bezeichnet und definiert den Punkt an der äußeren Kommissur der Lidspalte.26 Im Gegensatz zum medialen Kanthus liegt der laterale Kanthus beim Menschen oft leicht höher, was den sogenannten „Canthal Tilt“ (Kanthusschrägstellung) erzeugt.22  
+
+**Zitierbare Quellen:**
+
+  
+
+* Farkas, L. G. (1994). *Anthropometry of the Head and Face*. New York: Raven Press. 27  
+
+* Hall, J. G., Froster-Iskenius, U. G., & Allanson, J. E. (2007). *Handbook of Normal Physical Measurements*. Oxford: Oxford University Press. 23
+
+  
+
+### **Morphologische Merkmale der Periorbitalregion**
+
+  
+
+Die Variation der Augenform über verschiedene Populationen hinweg wird primär durch spezifische Hautfalten und die Position des Lidrandes bestimmt. Diese Merkmale sind für die Generierung diverser synthetischer Datensätze von kritischer Bedeutung, um Biases in Deep-Learning-Modellen zu vermeiden.
+
+  
+
+#### **Epikanthusfalte (Epicanthal Fold)**
+
+  
+
+Die Epikanthusfalte (Epicanthus) ist eine vertikale oder leicht schräge Hautfalte, die vom Oberlid ausgeht und den medialen Kanthus teilweise oder vollständig überdeckt.30 Anatomisch resultiert diese Falte aus einer spezifischen Ausprägung des Musculus orbicularis oculi und des darüber liegenden Fettgewebes.30 Sie ist ein charakteristisches Merkmal vieler ostasiatischer, zentralasiatischer und indigener amerikanischer Populationen, kann jedoch auch als temporäres Merkmal bei Kleinkindern anderer Herkunft oder im Rahmen bestimmter Syndrome auftreten.30 Für die Bildverarbeitung bedeutet die Präsenz eines Epikanthus, dass die Landmarke des Endokanthions oft verdeckt ist, was die Extraktion stabiler Augenwinkelpunkte erschweren kann.30  
+
+**Zitierbare Quelle:**
+
+  
+
+* The Eyelid Institute. (2023). *Understanding Epicanthal Folds: Features and Significance*. 30
+
+  
+
+#### **Supratarsalfalte, Lidfurche und das „Doppellid“**
+
+  
+
+Die Terminologie zur Beschreibung der Faltenbildung am Oberlid ist in der Literatur oft uneinheitlich. Eine präzise anatomische Differenzierung ist jedoch für die geometrische Modellierung von Lidern essenziell.
+
+  
+
+* **Oberlidfalte / Lidfurche (Superior Palpebral Sulcus / Lid Crease):** Dies ist die primäre Einziehung am Oberlid, die durch die Insertion von Fasern der Levator-Aponeurose (der Sehne des Lidhebermuskels) in die Haut entsteht.32 Wenn sich das Auge öffnet, zieht der Levator-Muskel nicht nur den Tarsus (die Knorpelplatte des Lids) nach oben, sondern zieht auch die Haut an dieser Verbindungslinie nach innen, wodurch die Furche sichtbar wird. Der korrekte medizinische Fachbegriff hierfür ist *Superior Palpebral Sulcus*.32  
+
+* **Deckfalte (Superior Palpebral Fold / Lid Fold):** Im Gegensatz zur statischen Furche (Crease) beschreibt der „Lid Fold“ den Hautüberschuss oberhalb der Furche, der sich beim Öffnen des Auges passiv über die Furche legt.31  
+
+* **Zusammenhang mit dem „Doppellid“ (Double Eyelid):** Ein Auge mit einer deutlich sichtbaren Lidfurche, die das Lid in einen pretarsalen Teil (nahe den Wimpern) und einen orbitalen Teil unterteilt, wird als „Double Eyelid“ (Doppellid) bezeichnet.32 Fehlt diese Furche aufgrund tief ansetzender Levator-Fasern oder überschüssigen Fettgewebes, spricht man von einem „Single Eyelid“ oder Monolid.31
+
+  
+
+**Zitierbare Quellen:**
+
+  
+
+* Chen, W. P. (2006). *Asian Blepharoplasty and the Eyelid Crease*. Philadelphia: Butterworth-Heinemann/Elsevier. 31  
+
+* Thieme. (2020). *Eyelid Anatomy in Cosmetic Surgery*. 33
+
+  
+
+#### **Lidptosis / Blepharoptosis (Ptosis)**
+
+  
+
+Die Blepharoptosis (oft kurz Ptosis) bezeichnet ein abnormales Herabhängen des Oberlids gegenüber seiner physiologischen Normposition.25 Normalerweise liegt der Oberlidrand etwa 1 bis 2 mm unterhalb des oberen Limbus der Kornea.25 Eine Ptosis kann durch eine Schwäche des Lidhebermuskels (Levator palpebrae superioris), eine Dehnung der Aponeurose oder durch neurologische Defizite bedingt sein.25 Im Gegensatz zum willkürlichen Blinzeln oder Lidschluss ist die Ptosis ein oft asymmetrischer, dauerhafter Zustand, der die sichtbare Fläche der Pupille einschränken kann.25 Für die Generierung synthetischer Bilder ist die Modellierung von Ptosis relevant, um die Robustheit von Algorithmen gegenüber Verdeckungen der oberen Pupillen- und Irisränder zu testen.  
+
+**Zitierbare Quellen:**
+
+  
+
+* Finsterer, J. (2003). Ptosis: Causes, Presentation, and Management. *Aesthetic Plastic Surgery*, 27(3), 193–204. 38  
+
+* Seminars in Plastic Surgery. (2017). *Clinical Evaluation of the Ptosis Patient*. 25
+
+  
+
+### **Koordinatensystem und Richtungsbezeichnungen**
+
+  
+
+Um die räumliche Lage von Augenmerkmalen und deren Bewegung präzise zu beschreiben, wird in der Medizin ein standardisiertes System von Richtungsbezeichnungen verwendet. Diese Terminologie ist in der *Terminologia Anatomica* international festgelegt und bildet die Grundlage für kraniofaziale Modelle.39
+
+  
+
+| Richtungsbezeichnung | Bedeutung im Kontext der Augenregion | Anwendung / Beispiel |
+
+| :---- | :---- | :---- |
+
+| **Superior / Cranial** | Oben / zum Kopfende hin gelegen | Die Augenbrauen liegen superior zur Lidspalte.40 |
+
+| **Inferior / Caudal** | Unten / zu den Füßen hin gelegen | Das Unterlid markiert die inferiore Grenze der Lidspalte.40 |
+
+| **Anterior / Ventral** | Vorne / zur Vorderseite hin gelegen | Die Kornea ist die anteriorste Struktur des Augapfels.40 |
+
+| **Posterior / Dorsal** | Hinten / zur Rückseite hin gelegen | Die Retina befindet sich an der posterioren Wand des Bulbus.40 |
+
+| **Medial / Nasal** | Zur Mitte hin / zur Nase hin gelegen | Der mediale Kanthus liegt näher zur Nasenwurzel.40 |
+
+| **Lateral / Temporal** | Zur Seite hin / zur Schläfe hin gelegen | Die Tränendrüse befindet sich im superolateralen Teil der Orbita.39 |
+
+| **Mediolateral** | Entlang der Achse von der Mitte zur Seite | Beschreibt die horizontale Erstreckung der Lidspalte. |
+
+  
+
+In der Ophthalmologie werden die Begriffe **nasal** (medial) und **temporal** (lateral) bevorzugt, da sie eine eindeutige Orientierung am Schädel des Patienten ermöglichen, unabhängig davon, ob das linke oder das rechte Auge betrachtet wird.39 Für die Modellierung synthetischer Augen ist die Einhaltung dieser Konventionen entscheidend, um die Transformationen zwischen 3D-Augenmodellen und 2D-Bildkoordinaten konsistent zu halten.  
+
+**Zitierbare Quellen:**
+
+  
+
+* Federative International Programme for Anatomical Terminology (FIPAT). (2019). *Terminologia Anatomica*. 39  
+
+* Standring, S. (2015). *Gray’s Anatomy: The Anatomical Basis of Clinical Practice*. Elsevier. 43
+
+  
+
+### **Zusammenfassung und Schlussfolgerungen**
+
+  
+
+Die anatomische Korrektheit synthetischer Augenbilder ist das Fundament für die Leistungsfähigkeit moderner Eye-Tracking-Systeme. Durch die präzise Definition von Strukturen wie der Pupille, Iris, Sklera und Kornea können physikalisch basierte Rendering-Verfahren (PBR) eingesetzt werden, die Lichttransport-Effekte wie Reflexionen und Lichtbrechung akkurat simulieren. Die Kenntnis über die Erscheinung dieser Strukturen im NIR-Bereich erlaubt die Synthese von Bildern, die den realen Bedingungen industrieller Eye-Tracker entsprechen.  
+
+Darüber hinaus ermöglicht das Verständnis der Periorbitalmorphologie – insbesondere der Konzepte der Epikanthusfalte und der verschiedenen Formen der Supratarsalfalte – die Erstellung von Datensätzen, die die menschliche Vielfalt widerspiegeln. Dies ist essenziell für die Entwicklung von Deep-Learning-Modellen, die über verschiedene ethnische Gruppen und anatomische Varianten hinweg zuverlässig funktionieren. Die Verwendung standardisierter Richtungsbezeichnungen aus der *Terminologia Anatomica* stellt schließlich sicher, dass die in der Informatik entwickelten Modelle anschlussfähig an medizinische und anthropometrische Standards bleiben, was den Austausch zwischen den Disziplinen fördert.
+
+  
+
+##### **Referenzen**
+
+  
+
+1. Auge: Aufbau und Funktion \- Lecturio, Zugriff am April 1, 2026, [https://www.lecturio.de/artikel/medizin/anatomie-des-auges/](https://www.lecturio.de/artikel/medizin/anatomie-des-auges/)  
+
+2. Auge \- DocCheck Flexikon, Zugriff am April 1, 2026, [https://flexikon.doccheck.com/de/Auge](https://flexikon.doccheck.com/de/Auge)  
+
+3. Das menschliche Auge \- ZEISS, Zugriff am April 1, 2026, [https://www.zeiss.de/vision-care/rund-ums-sehen/sehen-verstehen/das-menschliche-auge.html](https://www.zeiss.de/vision-care/rund-ums-sehen/sehen-verstehen/das-menschliche-auge.html)  
+
+4. Pupille \- DocCheck Flexikon, Zugriff am April 1, 2026, [https://flexikon.doccheck.com/de/Pupille](https://flexikon.doccheck.com/de/Pupille)  
+
+5. \[2007.09600\] EllSeg: An Ellipse Segmentation Framework for Robust Gaze Tracking \- ar5iv, Zugriff am April 1, 2026, [https://ar5iv.labs.arxiv.org/html/2007.09600](https://ar5iv.labs.arxiv.org/html/2007.09600)  
+
+6. Event-Based Near-Eye Gaze Tracking Beyond 10,000 Hz \- IEEE Computer Society, Zugriff am April 1, 2026, [https://www.computer.org/csdl/journal/tg/2021/05/09389490/1smZT5W55V6](https://www.computer.org/csdl/journal/tg/2021/05/09389490/1smZT5W55V6)  
+
+7. A Comprehensive Framework for Eye Tracking: Methods, Tools, Applications, and Cross-Platform Evaluation \- PMC, Zugriff am April 1, 2026, [https://pmc.ncbi.nlm.nih.gov/articles/PMC12564957/](https://pmc.ncbi.nlm.nih.gov/articles/PMC12564957/)  
+
+8. BACHELORARBEIT \- eye square, Zugriff am April 1, 2026, [https://www.eye-square.com/en/wp-content/uploads/sites/4/2023/06/Bachelorarbeit-Jaimee-Wolle-Stand-19.01.pdf](https://www.eye-square.com/en/wp-content/uploads/sites/4/2023/06/Bachelorarbeit-Jaimee-Wolle-Stand-19.01.pdf)  
+
+9. Parts of the Eye | NIH, Zugriff am April 1, 2026, [https://www.nei.nih.gov/sites/default/files/2019-06/parts-of-the-eye.pdf](https://www.nei.nih.gov/sites/default/files/2019-06/parts-of-the-eye.pdf)  
+
+10. Die Augenhäute \- GPOH, Zugriff am April 1, 2026, [https://www.gpoh.de/kinderkrebsinfo/content/erkrankungen/weitere\_solide\_tumoren/retinoblastom/allgemeine\_informationen/aufbau\_und\_funktion\_des\_auges/augenhaeute/index\_ger.html](https://www.gpoh.de/kinderkrebsinfo/content/erkrankungen/weitere_solide_tumoren/retinoblastom/allgemeine_informationen/aufbau_und_funktion_des_auges/augenhaeute/index_ger.html)  
+
+11. An Overview of Corneal Reflection Analysis and Applications, Zugriff am April 1, 2026, [https://ipsj.ixsq.nii.ac.jp/record/90064/files/IPSJ-TCVA0500001.pdf](https://ipsj.ixsq.nii.ac.jp/record/90064/files/IPSJ-TCVA0500001.pdf)  
+
+12. Eye-tracked Virtual Reality: A Comprehensive Survey on Methods and Privacy Challenges, Zugriff am April 1, 2026, [https://3dvar.com/Bozkir2023Eye.pdf](https://3dvar.com/Bozkir2023Eye.pdf)  
+
+13. Sklera \- DocCheck Flexikon, Zugriff am April 1, 2026, [https://flexikon.doccheck.com/de/Sklera](https://flexikon.doccheck.com/de/Sklera)  
+
+14. Lederhaut (Auge) \- Wikipedia, Zugriff am April 1, 2026, [https://de.wikipedia.org/wiki/Lederhaut\_(Auge)](https://de.wikipedia.org/wiki/Lederhaut_\(Auge\))  
+
+15. A Human Eye Model for Investigating the Metrological Properties of Video Eye Trackers, Zugriff am April 1, 2026, [http://przyrbwn.icm.edu.pl/APP/PDF/146/app146z4p51.pdf](http://przyrbwn.icm.edu.pl/APP/PDF/146/app146z4p51.pdf)  
+
+16. Eye Tracking as a Research Tool: An Introduction \- American Chemical Society, Zugriff am April 1, 2026, [https://pubs.acs.org/doi/pdf/10.1021/bk-2018-1292.ch001](https://pubs.acs.org/doi/pdf/10.1021/bk-2018-1292.ch001)  
+
+17. Andrew T. Duchowski Theory and Practice \- Eye Tracking Methodology \- National Academic OER & Digital Library of Ethiopia, Zugriff am April 1, 2026, [http://ndl.ethernet.edu.et/bitstream/123456789/88660/1/2017\_Book\_EyeTrackingMethodology.pdf](http://ndl.ethernet.edu.et/bitstream/123456789/88660/1/2017_Book_EyeTrackingMethodology.pdf)  
+
+18. Andrew T. Duchowski Theory and Practice \- Eye Tracking Methodology, Zugriff am April 1, 2026, [http://103.203.175.90:81/fdScript/RootOfEBooks/E%20Book%20collection%20-%202020/Springer%20EBooks/Others/Eye%20Tracking%20Methodology%20Theory%20and%20Practice.pdf](http://103.203.175.90:81/fdScript/RootOfEBooks/E%20Book%20collection%20-%202020/Springer%20EBooks/Others/Eye%20Tracking%20Methodology%20Theory%20and%20Practice.pdf)  
+
+19. Eye tracking \- The Cambridge Encyclopedia of Child Development, Zugriff am April 1, 2026, [https://www.cambridge.org/core/books/cambridge-encyclopedia-of-child-development/eye-tracking/8B66FE6E665F6A0357FF57FB7B3D87CD](https://www.cambridge.org/core/books/cambridge-encyclopedia-of-child-development/eye-tracking/8B66FE6E665F6A0357FF57FB7B3D87CD)  
+
+20. (PDF) Eye Tracking Research and Technology: Towards Objective Measurement of Data Quality \- ResearchGate, Zugriff am April 1, 2026, [https://www.researchgate.net/publication/261923165\_Eye\_Tracking\_Research\_and\_Technology\_Towards\_Objective\_Measurement\_of\_Data\_Quality](https://www.researchgate.net/publication/261923165_Eye_Tracking_Research_and_Technology_Towards_Objective_Measurement_of_Data_Quality)  
+
+21. Anatomy of the periorbital region \- BVS, Zugriff am April 1, 2026, [https://docs.bvsalud.org/biblioref/2016/10/2134/2013\_245\_ingles.pdf](https://docs.bvsalud.org/biblioref/2016/10/2134/2013_245_ingles.pdf)  
+
+22. Racial and sexual differences of eyebrow and eyelid morphology: three-dimensional analysis in young Caucasian and Chinese populations \- PMC, Zugriff am April 1, 2026, [https://pmc.ncbi.nlm.nih.gov/articles/PMC11744102/](https://pmc.ncbi.nlm.nih.gov/articles/PMC11744102/)  
+
+23. RESEARCH ARTICLE \- Elements of Morphology: Standard ..., Zugriff am April 1, 2026, [https://beshg.be/storage/app/media/MaNaMa%20course/Presentations%20course%202023/Day%205/Papers%20elements%20of%20morphology/periorbital%20region.pdf](https://beshg.be/storage/app/media/MaNaMa%20course/Presentations%20course%202023/Day%205/Papers%20elements%20of%20morphology/periorbital%20region.pdf)  
+
+24. Palpebral fissure \- Wikipedia, Zugriff am April 1, 2026, [https://en.wikipedia.org/wiki/Palpebral\_fissure](https://en.wikipedia.org/wiki/Palpebral_fissure)  
+
+25. Clinical Evaluation of Blepharoptosis: Distinguishing Age-Related ..., Zugriff am April 1, 2026, [https://pmc.ncbi.nlm.nih.gov/articles/PMC5330793/](https://pmc.ncbi.nlm.nih.gov/articles/PMC5330793/)  
+
+26. Three-dimensional anthropometry in periorbital region \- AME Publishing, Zugriff am April 1, 2026, [https://cdn.amegroups.cn/journals/jrh/files/journals/28/articles/5825/public/5825-PB3-4279-R2.pdf](https://cdn.amegroups.cn/journals/jrh/files/journals/28/articles/5825/public/5825-PB3-4279-R2.pdf)  
+
+27. Application of Digital Anthropometry for Craniofacial Assessment ..., Zugriff am April 1, 2026, [https://pmc.ncbi.nlm.nih.gov/articles/PMC4078131/](https://pmc.ncbi.nlm.nih.gov/articles/PMC4078131/)  
+
+28. Facial Anthropometric Norms of a Young Adult Jordanian Population \- Jordan Journal of Dentistry, Zugriff am April 1, 2026, [https://jjd.just.edu.jo/Download.ashx?f=hDdUG2HeWbICaRpGwRSkx4ASua1J4LXkU%2BoROYS8ir4%3D](https://jjd.just.edu.jo/Download.ashx?f=hDdUG2HeWbICaRpGwRSkx4ASua1J4LXkU%2BoROYS8ir4%3D)  
+
+29. Facial Masculinization Surgery: A Narrative Review on Principles and Advanced Surgical Techniques \- Gavin Publishers, Zugriff am April 1, 2026, [https://www.gavinpublishers.com/article/view/facial-masculinization-surgery-a-narrative-review-on-principles-and-advanced-surgical-techniques](https://www.gavinpublishers.com/article/view/facial-masculinization-surgery-a-narrative-review-on-principles-and-advanced-surgical-techniques)  
+
+30. Understanding Epicanthal Folds: Features and Significance \- The Eyelid Institute, Zugriff am April 1, 2026, [https://www.theeyelidinstitute.com/blog/understanding-epicanthal-folds-features-and-significance/](https://www.theeyelidinstitute.com/blog/understanding-epicanthal-folds-features-and-significance/)  
+
+31. Asian Blepharoplasty \- PMC \- NIH, Zugriff am April 1, 2026, [https://pmc.ncbi.nlm.nih.gov/articles/PMC2884917/](https://pmc.ncbi.nlm.nih.gov/articles/PMC2884917/)  
+
+32. Comparative Anatomy of the Eyelids | Ento Key, Zugriff am April 1, 2026, [https://entokey.com/comparative-anatomy-of-the-eyelids/](https://entokey.com/comparative-anatomy-of-the-eyelids/)  
+
+33. 57 Blepharoplasty, Zugriff am April 1, 2026, [https://www.thieme-connect.de/products/ebooks/pdf/10.1055/b-0034-102786.pdf](https://www.thieme-connect.de/products/ebooks/pdf/10.1055/b-0034-102786.pdf)  
+
+34. Understanding the Different Shapes of Eyelids: A Comprehensive Guide, Zugriff am April 1, 2026, [https://www.denvereyelid.com/post/understanding-the-different-shapes-of-eyelids-a-comprehensive-guide](https://www.denvereyelid.com/post/understanding-the-different-shapes-of-eyelids-a-comprehensive-guide)  
+
+35. What is an Upper Lid Crease? \- Ento Key, Zugriff am April 1, 2026, [https://entokey.com/what-is-an-upper-lid-crease/](https://entokey.com/what-is-an-upper-lid-crease/)  
+
+36. More than meets the eye: a comprehensive review of blepharoptosis \- OAE Publishing Inc., Zugriff am April 1, 2026, [https://www.oaepublish.com/articles/2347-9264.2020.110](https://www.oaepublish.com/articles/2347-9264.2020.110)  
+
+37. Pediatric Blepharoptosis \- PMC \- NIH, Zugriff am April 1, 2026, [https://pmc.ncbi.nlm.nih.gov/articles/PMC5330798/](https://pmc.ncbi.nlm.nih.gov/articles/PMC5330798/)  
+
+38. Eyelid Retraction in Isolated Unilateral Congenital Blepharoptosis \- Frontiers, Zugriff am April 1, 2026, [https://www.frontiersin.org/journals/neurology/articles/10.3389/fneur.2017.00190/full](https://www.frontiersin.org/journals/neurology/articles/10.3389/fneur.2017.00190/full)  
+
+39. Anatomical terms of location \- Wikipedia, Zugriff am April 1, 2026, [https://en.wikipedia.org/wiki/Anatomical\_terms\_of\_location](https://en.wikipedia.org/wiki/Anatomical_terms_of_location)  
+
+40. Anatomical Directions \- Brookbush Institute, Zugriff am April 1, 2026, [https://brookbushinstitute.com/glossary/anatomical-directions](https://brookbushinstitute.com/glossary/anatomical-directions)  
+
+41. Anatomical Terminology | Concise Medical Knowledge \- Lecturio, Zugriff am April 1, 2026, [https://www.lecturio.com/concepts/anatomical-terminology/](https://www.lecturio.com/concepts/anatomical-terminology/)  
+
+42. Chapter 2 Medical Language Related to the Whole Body \- NCBI, Zugriff am April 1, 2026, [https://www.ncbi.nlm.nih.gov/books/NBK607445/](https://www.ncbi.nlm.nih.gov/books/NBK607445/)  
+
+43. Lateral branches of the facial artery and its clinical implications \- ResearchGate, Zugriff am April 1, 2026, [https://www.researchgate.net/publication/361904726\_Lateral\_branches\_of\_the\_facial\_artery\_and\_its\_clinical\_implications](https://www.researchgate.net/publication/361904726_Lateral_branches_of_the_facial_artery_and_its_clinical_implications)
+---
+## Claude:
+## Anatomical definitions for eye and periorbital structures in eye-tracking research
+
+  
+
+This reference compendium provides anatomically precise, thesis-ready definitions for structures visible in eye images, organized into four groups. Each entry includes German and English terminology, a short definition (2–5 sentences), and 1–2 verifiable sources with complete bibliographic details. All definitions are scoped to external appearance and structural anatomy — no deep ophthalmology (no retina, aqueous humor, or optic nerve) and no population statistics.
+
+  
+
+---
+
+  
+
+### Group 1: Basic eye structures and their NIR appearance
+
+  
+
+These four structures form the visible anatomy of the eye as captured by standard eye-tracking cameras.
+
+  
+
+#### Pupille / Pupil
+
+  
+
+**German:** Pupille | **English:** Pupil
+
+  
+
+The pupil is the circular opening at the center of the iris through which light enters the eye. Its diameter is dynamically regulated by two smooth muscles within the iris — the sphincter pupillae (constriction) and the dilator pupillae (dilation) — and ranges from approximately **2 mm in bright light to 8 mm in darkness**. In images of the eye, the pupil appears as a dark, roughly circular region bounded by the iris margin.
+
+  
+
+**Source:** Standring, S. (ed.) (2020). *Gray's Anatomy: The Anatomical Basis of Clinical Practice.* 42nd edition. London: Elsevier. ISBN 978-0-7020-7705-0. (Chapter 45: Eye.)
+
+  
+
+---
+
+  
+
+#### Iris (Regenbogenhaut) / Iris
+
+  
+
+**German:** Iris, Regenbogenhaut | **English:** Iris
+
+  
+
+The iris is a thin, circular diaphragm of pigmented muscular and connective tissue situated behind the cornea and in front of the lens. It controls pupil size via its two smooth muscles and thereby regulates the amount of light entering the eye. The anterior surface displays a highly individual texture of crypts, furrows, and a collarette ridge, giving each eye a unique color and pattern. The iris has a diameter of approximately **12 mm**.
+
+  
+
+**Source:** Standring, S. (ed.) (2020). *Gray's Anatomy: The Anatomical Basis of Clinical Practice.* 42nd edition. London: Elsevier. ISBN 978-0-7020-7705-0. (Chapter 45: Eye.)
+
+  
+
+---
+
+  
+
+#### Sklera (Lederhaut) / Sclera
+
+  
+
+**German:** Sklera, Lederhaut | **English:** Sclera
+
+  
+
+The sclera is the dense, opaque, white outer coat of the eyeball, forming approximately five-sixths of its external surface. It provides structural support and serves as the attachment site for the extraocular muscles. At its anterior boundary, the sclera transitions into the transparent cornea at the corneoscleral junction known as the **limbus**. Externally, the sclera is covered by the conjunctiva, a thin mucous membrane through which superficial blood vessels may be visible.
+
+  
+
+**Source:** Standring, S. (ed.) (2020). *Gray's Anatomy: The Anatomical Basis of Clinical Practice.* 42nd edition. London: Elsevier. ISBN 978-0-7020-7705-0. (Chapter 45: Eye.)
+
+  
+
+---
+
+  
+
+#### Kornea / Hornhaut / Cornea
+
+  
+
+**German:** Kornea, Hornhaut | **English:** Cornea
+
+  
+
+The cornea is the transparent, avascular, dome-shaped front surface of the eye, covering approximately one-sixth of its external area. It provides roughly **70% of the eye's total refractive power**, with a radius of curvature of approximately 7.8 mm. Its transparency is maintained by the regular arrangement of collagen fibrils, absence of blood vessels, and relative dehydration. The smooth, curved anterior surface acts as a convex mirror, producing specular reflections of light sources — a property exploited in eye-tracking systems.
+
+  
+
+**Source:** Standring, S. (ed.) (2020). *Gray's Anatomy: The Anatomical Basis of Clinical Practice.* 42nd edition. London: Elsevier. ISBN 978-0-7020-7705-0. (Chapter 45: Eye.)
+
+  
+
+---
+
+  
+
+#### How these structures appear in near-infrared (NIR) eye-tracking images
+
+  
+
+In video-based eye tracking, the eye is typically illuminated by near-infrared light sources (~780–950 nm). Under NIR illumination, each structure presents a characteristic appearance that eye-tracking algorithms exploit for feature detection.
+
+  
+
+The **pupil** appears as the darkest region in the image when off-axis ("dark-pupil") illumination is used, because light entering the pupil is absorbed by the posterior structures of the eye. With on-axis illumination, the pupil instead appears as a bright disc (the "bright-pupil" effect, analogous to red-eye in flash photography). The **iris** appears as a mid-gray annular region between the dark pupil and the brighter sclera; notably, NIR light penetrates melanin pigment more easily than visible light, so even darkly pigmented irises reveal stromal texture in NIR images. The **sclera** reflects NIR light diffusely and appears as the brightest large region, providing high contrast against the darker iris and pupil. The **cornea**, being transparent, is not directly visible but produces small, bright, sharply defined specular reflections of the NIR illuminators — called **corneal reflections** or **glints** (technically the first Purkinje image). The vector between the pupil center and these corneal reflections forms the basis of the widely used **Pupil Center Corneal Reflection (PCCR)** gaze estimation technique.
+
+  
+
+**Primary source (eye-tracking literature):** Hansen, D.W. & Ji, Q. (2010). "In the Eye of the Beholder: A Survey of Models for Eyes and Gaze." *IEEE Transactions on Pattern Analysis and Machine Intelligence*, 32(3), 478–500. DOI: 10.1109/TPAMI.2009.30.
+
+  
+
+**Additional eye-tracking sources:**
+
+  
+
+- Duchowski, A.T. (2017). *Eye Tracking Methodology: Theory and Practice.* 3rd edition. Cham: Springer. ISBN 978-3-319-57881-1 (print) / 978-3-319-57883-5 (eBook). DOI: 10.1007/978-3-319-57883-5. (Chapters 2 and 5 cover eye anatomy and video-based pupil/corneal-reflection trackers.)
+
+- Holmqvist, K., Nyström, M., Andersson, R., Dewhurst, R., Jarodzka, H. & van de Weijer, J. (2011). *Eye Tracking: A Comprehensive Guide to Methods and Measures.* Oxford: Oxford University Press. ISBN 978-0-19-969708-3.
+
+- Majaranta, P. & Bulling, A. (2014). "Eye Tracking and Eye-Based Human–Computer Interaction." In: Fairclough, S.H. & Gilleade, K. (eds.) *Advances in Physiological Computing.* Human–Computer Interaction Series. London: Springer, pp. 39–65. DOI: 10.1007/978-1-4471-6392-3_3.
+
+  
+
+---
+
+  
+
+### Group 2: Eyelid structures and the periorbital region
+
+  
+
+#### Periorbitalregion / Periorbital region
+
+  
+
+**German:** Periorbitalregion, Regio periorbitalis | **English:** Periorbital region, periocular region | **Latin (TA):** Regio orbitalis
+
+  
+
+The periorbital region designates the anatomical area surrounding the bony orbit and encompasses the eyelids (upper and lower), the eyebrows, and the surrounding soft tissue overlying the orbital rim. Its layered structure includes skin, subcutaneous connective tissue, the orbicularis oculi muscle, the orbital septum, and deeper fascial planes. Superiorly the region extends to the eyebrow and supraorbital ridge, inferiorly to the infraorbital margin and upper cheek, and medially and laterally to the respective orbital rims. In the context of eye image analysis, the periorbital region is the visible area surrounding and framing the palpebral fissure.
+
+  
+
+**Sources:**
+
+  
+
+- Hall, B.D., Graham, J.M. Jr., Cassidy, S.B. & Opitz, J.M. (2009). "Elements of Morphology: Standard Terminology for the Periorbital Region." *American Journal of Medical Genetics Part A*, 149A(1), 29–39. DOI: 10.1002/ajmg.a.32597. PMID: 19125427.
+
+- Standring, S. (ed.) (2020). *Gray's Anatomy: The Anatomical Basis of Clinical Practice.* 42nd edition. London: Elsevier. ISBN 978-0-7020-7705-0.
+
+  
+
+---
+
+  
+
+#### Lidspalte / Palpebral fissure
+
+  
+
+**German:** Lidspalte, Rima palpebrarum | **English:** Palpebral fissure, palpebral aperture | **Latin (TA):** Rima palpebrarum
+
+  
+
+The palpebral fissure is the elliptical opening between the free margins of the upper and lower eyelids through which the anterior surface of the eyeball is visible. It is bounded superiorly by the upper lid margin, inferiorly by the lower lid margin, medially by the medial canthus, and laterally by the lateral canthus. In adults, the fissure typically measures approximately **27–30 mm horizontally** and **8–11 mm vertically**. The lateral canthus is normally positioned approximately 2 mm higher than the medial canthus, giving the fissure a slight upward (temporal) inclination.
+
+  
+
+**Sources:**
+
+  
+
+- Standring, S. (ed.) (2020). *Gray's Anatomy.* 42nd edition. London: Elsevier. ISBN 978-0-7020-7705-0.
+
+- Hall, B.D., Graham, J.M. Jr., Cassidy, S.B. & Opitz, J.M. (2009). "Elements of Morphology: Standard Terminology for the Periorbital Region." *American Journal of Medical Genetics Part A*, 149A(1), 29–39. DOI: 10.1002/ajmg.a.32597.
+
+  
+
+---
+
+  
+
+#### Medialer Kanthus / Endokanthion — Medial canthus / Endocanthion
+
+  
+
+**German:** Medialer Augenwinkel, medialer Kanthus; Endokanthion (anthropometric landmark) | **English:** Medial canthus, inner canthus, medial palpebral commissure; Endocanthion (landmark, abbr. *en*) | **Latin (TA):** Commissura palpebrarum medialis, Angulus oculi medialis
+
+  
+
+The medial canthus is the angle formed at the nasal (medial) end of the palpebral fissure, where the upper and lower eyelids converge. Unlike the lateral canthus, the medial commissure is more rounded; here the eyelids do not lie in direct contact with the globe but are separated by a small triangular space — the lacus lacrimalis (lacrimal lake), which contains the lacrimal caruncle and the plica semilunaris. The medial canthal tendon (Ligamentum palpebrale mediale) anchors the tarsal plates of both eyelids to the medial orbital wall.
+
+  
+
+**Important terminological note:** The term *Endocanthion* (en) refers specifically to the **anthropometric point landmark** at the inner commissure, used for craniofacial measurements (e.g., intercanthal distance en–en). "Medial canthus" designates the anatomical region; "endocanthion" designates the measurement point.
+
+  
+
+**Sources:**
+
+  
+
+- Standring, S. (ed.) (2020). *Gray's Anatomy.* 42nd edition. London: Elsevier. ISBN 978-0-7020-7705-0.
+
+- Farkas, L.G. (1994). *Anthropometry of the Head and Face.* 2nd edition. New York: Raven Press. ISBN 978-0-7817-0159-4.
+
+  
+
+---
+
+  
+
+#### Lateraler Kanthus / Exokanthion — Lateral canthus / Exocanthion
+
+  
+
+**German:** Lateraler Augenwinkel, lateraler Kanthus; Exokanthion (anthropometric landmark) | **English:** Lateral canthus, outer canthus, lateral palpebral commissure; Exocanthion (landmark, abbr. *ex*) | **Latin (TA):** Commissura palpebrarum lateralis, Angulus oculi lateralis
+
+  
+
+The lateral canthus is the acute angle formed at the temporal (lateral) end of the palpebral fissure, where the upper and lower eyelids meet. The lateral commissure is more acute than the medial one, and the eyelids lie in close contact with the globe at this point — there is no lacrimal lake or caruncle. The lateral canthal tendon (Ligamentum palpebrale laterale) attaches the tarsal plates to the lateral orbital rim at Whitnall's tubercle.
+
+  
+
+**Important terminological note:** As with the medial side, *Exocanthion* (ex) refers to the **anthropometric point landmark** at the outer commissure. The palpebral fissure length is measured as the distance en–ex.
+
+  
+
+**Sources:**
+
+  
+
+- Standring, S. (ed.) (2020). *Gray's Anatomy.* 42nd edition. London: Elsevier. ISBN 978-0-7020-7705-0.
+
+- Farkas, L.G. (1994). *Anthropometry of the Head and Face.* 2nd edition. New York: Raven Press. ISBN 978-0-7817-0159-4.
+
+  
+
+---
+
+  
+
+### Group 3: Morphological features that influence visible eye shape
+
+  
+
+#### Epikanthusfalte / Epicanthal fold (Epicanthus)
+
+  
+
+**German:** Epikanthusfalte, Epikanthus | **English:** Epicanthal fold, epicanthic fold, epicanthus, palpebronasal fold
+
+  
+
+The epicanthal fold is a crescent-shaped fold of skin extending from the upper eyelid toward the lower eyelid, partially or completely covering the medial canthus and the lacrimal caruncle. Structurally, the fold consists of an outer skin layer, a fibromuscular core composed of orbicularis oculi muscle fibers and connective tissue, and an inner skin lining. Its formation is attributed to preseptal orbicularis oculi fibers that span across the medial canthal region between the upper and lower eyelids; cadaver studies have demonstrated that this muscle fiber connection is present in **100% of specimens with an epicanthal fold** and absent in those without one. Four morphological subtypes are recognized based on where the fold originates: epicanthus supraciliaris (brow), epicanthus tarsalis (upper lid crease), epicanthus palpebralis (nasal root), and epicanthus inversus (lower lid).
+
+  
+
+**Sources:**
+
+  
+
+- Park, J.W. & Hwang, K. (2016). "Anatomy and Histology of an Epicanthal Fold." *Journal of Craniofacial Surgery*, 27(4), 1101–1103. DOI: 10.1097/SCS.0000000000002628. PMID: 27171956.
+
+- Hall, B.D., Graham, J.M. Jr., Cassidy, S.B. & Opitz, J.M. (2009). "Elements of Morphology: Standard Terminology for the Periorbital Region." *American Journal of Medical Genetics Part A*, 149A(1), 29–39. DOI: 10.1002/ajmg.a.32597.
+
+  
+
+---
+
+  
+
+#### Supratarsalfalte / Oberlidfalte — Lid crease, lid fold, and the "double eyelid" problem
+
+  
+
+**German:** Oberlid-Furche, Supratarsalfurche (for the crease/groove); Oberlidfalte, Deckfalte (for the fold/skin drape); Doppellidfalte ("double eyelid") | **English:** Lid crease / supratarsal crease / superior palpebral sulcus (for the groove); lid fold / supratarsal fold (for the skin drape); double eyelid / single eyelid (monolid)
+
+  
+
+This is an area of **significant terminological inconsistency** in the literature, with "crease" and "fold" frequently conflated. The oculoplastic surgery literature — particularly the work of Chen (2007) — draws a clear anatomical distinction between two related but different structures:
+
+  
+
+**The lid crease** (supratarsal crease, superior palpebral sulcus) is the **indentation or groove** in the upper eyelid skin that becomes visible when the eye opens and the levator palpebrae superioris muscle contracts. It is formed by the anterior extensions of the **levator aponeurosis** that fan through the orbicularis oculi muscle and insert into the pretarsal skin. When the levator contracts, these fibrous insertions pull the overlying skin inward, creating a visible furrow at approximately the level of the superior tarsal border. The crease divides the visible upper eyelid into two zones: the **pretarsal segment** (below the crease, adjacent to the lash line) and the **preseptal segment** (above the crease, extending toward the brow).
+
+  
+
+**The lid fold** (supratarsal fold) is the **overhanging drape of preseptal skin** that rests above and falls over the crease under the influence of gravity and tissue laxity. It is defined by the crease line and functions to provide tissue for skin recruitment during eyelid closure.
+
+  
+
+The term **"superior palpebral sulcus"** (Latin: sulcus = furrow) technically refers to the crease/groove itself, though some sources use it loosely for the fold. Strictly: sulcus = crease; fold = the skin draping over it.
+
+  
+
+**German note:** The word "Falte" can mean both "fold" and "crease," making this distinction harder to express in German. The crease is more precisely rendered as **"Oberlid-Furche"** or **"Supratarsalfurche"** (furrow/groove), while the fold is **"Oberlidfalte"** or **"Deckfalte"** (the skin draping over it).
+
+  
+
+**Double eyelid (Doppellidfalte) vs. single eyelid (Monolidfalte):** A "double eyelid" describes the morphology in which a visible lid crease is present, visually dividing the eyelid into two segments — hence "double." The crease forms when the levator aponeurosis fibers successfully reach and insert into the skin surface. A "single eyelid" (monolid) describes the absence of a visible crease, occurring when the levator aponeurosis fibers fail to reach the skin — due to a lower fusion point of the orbital septum with the levator aponeurosis, preaponeurotic fat descending further into the lid, and/or thicker subcutaneous tissue and orbicularis muscle preventing fiber transmission to the skin surface.
+
+  
+
+**Sources:**
+
+  
+
+- Chen, W.P.D. (2007). "The Concept of a Glide Zone as It Relates to Upper Lid Crease, Lid Fold, and Application in Upper Blepharoplasty." *Plastic and Reconstructive Surgery*, 119(1), 379–386. DOI: 10.1097/01.prs.0000244908.04694.32. PMID: 17255697. — **The key paper explicitly distinguishing lid crease from lid fold.**
+
+- Kiranantawat, K., Suhk, J.H. & Nguyen, A.H. (2015). "The Asian Eyelid: Relevant Anatomy." *Seminars in Plastic Surgery*, 29(3), 158–164. DOI: 10.1055/s-0035-1556852. PMCID: PMC4536062. — **Comprehensive review of crease morphology and the mechanism of crease formation.**
+
+- Chen, W.P.D. (2016). *Asian Blepharoplasty and the Eyelid Crease.* 3rd edition. Edinburgh/London: Elsevier. ISBN 978-0-323-35572-8. (4th edition: 2025, Elsevier, ISBN 978-0-323-87876-0.) — **The definitive textbook on eyelid crease anatomy.**
+
+- Jeong, S., Lemke, B.N., Dortzbach, R.K., Park, Y.G. & Kang, H.K. (1999). "The Asian Upper Eyelid: An Anatomical Study with Comparison to the Caucasian Eyelid." *Archives of Ophthalmology*, 117(7), 907–912. DOI: 10.1001/archopht.117.7.907. PMID: 10408455. — **Foundational cadaveric study on lid crease anatomy.**
+
+  
+
+---
+
+  
+
+#### Lidptosis / Blepharoptosis / Ptosis
+
+  
+
+**German:** Ptosis, Blepharoptosis, Lidptosis | **English:** Ptosis, blepharoptosis, upper eyelid ptosis
+
+  
+
+Blepharoptosis (from Greek *blepharon* = eyelid + *ptōsis* = falling) is an abnormally low position of the upper eyelid margin with the eye in primary gaze. The normal adult upper eyelid rests approximately **1.0–2.0 mm below the superior corneal limbus**; a position lower than this constitutes ptosis. The drooping results from dysfunction of the eyelid's retractor apparatus — the levator palpebrae superioris (innervated by the oculomotor nerve, CN III) and/or Müller's muscle (sympathetically innervated smooth muscle contributing approximately 2 mm of lid elevation).
+
+  
+
+**Critical distinction from normal eyelid closure:** Ptosis is a passive, pathological or involutional drooping caused by weakening, stretching, or denervation of the levator apparatus. Normal eyelid closure, by contrast, is an active process mediated by contraction of the orbicularis oculi muscle (innervated by the facial nerve, CN VII). In eye-tracking contexts, ptosis reduces the visible area of the palpebral fissure and can affect pupil visibility, whereas voluntary blinks and lid closure are transient events.
+
+  
+
+**Sources:**
+
+  
+
+- Jacobs, S.M., Tyson, A. & Engstrom, R. (2021). "A Review of Acquired Blepharoptosis: Prevalence, Diagnosis, and Current Treatment Options." *Eye*, 35, 2468–2481. DOI: 10.1038/s41433-021-01547-5. PMCID: PMC8376882.
+
+- Standring, S. (ed.) (2020). *Gray's Anatomy: The Anatomical Basis of Clinical Practice.* 42nd edition. London: Elsevier. ISBN 978-0-7020-7705-0.
+
+  
+
+---
+
+  
+
+### Group 4: Anatomical directional terms for the eye region
+
+  
+
+Standardized directional terms provide an unambiguous framework for describing the spatial relationships of periorbital structures, independent of head pose or image orientation. In the craniofacial and ophthalmic literature, the general terms "medial" and "lateral" have region-specific synonyms — **nasal** (toward the nose) and **temporal** (toward the temple) — that are standard in clinical ophthalmology.
+
+  
+
+| English term | German equivalent(s) | Definition in the eye context | Example |
+
+|---|---|---|---|
+
+| **Superior** | kranial, obere/r/s | Toward the top; toward the forehead/brow | The superior eyelid (Oberlid) is the upper eyelid |
+
+| **Inferior** | kaudal, untere/r/s | Toward the bottom; toward the cheek | The inferior eyelid (Unterlid) is the lower eyelid |
+
+| **Anterior** | ventral, vordere/r/s | Toward the front; toward the face surface | The anterior surface of the cornea faces outward |
+
+| **Posterior** | dorsal, hintere/r/s | Toward the back; away from the face | The posterior segment lies behind the lens |
+
+| **Medial** (= **nasal**) | medial, nasal, nasenwärts | Toward the midline/nose | The medial canthus is on the nasal side |
+
+| **Lateral** (= **temporal**) | lateral, temporal, schläfenwärts | Away from the midline, toward the temple | The lateral canthus is on the temporal side |
+
+| **Mediolateral** | mediolateral | The axis running from nasal to temporal | The mediolateral axis of the palpebral fissure runs from en to ex |
+
+  
+
+The nasal–temporal equivalence is particularly important when interpreting ophthalmological literature and when defining spatial annotations for synthetic eye image datasets: **medial = nasal** (toward the nose) and **lateral = temporal** (toward the temple).
+
+  
+
+**Sources:**
+
+  
+
+- Standring, S. (ed.) (2020). *Gray's Anatomy: The Anatomical Basis of Clinical Practice.* 42nd edition. London: Elsevier. ISBN 978-0-7020-7705-0. (Chapter 1: Anatomical nomenclature and directional terms.)
+
+- FIPAT (2019). *Terminologia Anatomica.* 2nd edition. Federative International Programme for Anatomical Terminology (FIPAT), International Federation of Associations of Anatomists (IFAA). Published online: https://fipat.library.dal.ca/TA2/. Licensed under CC BY-ND 4.0.
+
+- Schünke, M., Schulte, E. & Schumacher, U. (2022). *PROMETHEUS Kopf, Hals und Neuroanatomie: LernAtlas der Anatomie.* Illustrationen von M. Voll & K. Wesker. 6., vollständig überarbeitete Auflage. Stuttgart/New York: Georg Thieme Verlag. ISBN 978-3-13-244421-8.
+
+  
+
+---
+
+  
+
+### Consolidated source list for quick reference
+
+  
+
+The following table summarizes all unique sources cited across the four groups, for ease of bibliography management.
+
+  
+
+| Short key | Full citation |
+
+|---|---|
+
+| **Standring 2020** | Standring, S. (ed.) (2020). *Gray's Anatomy: The Anatomical Basis of Clinical Practice.* 42nd ed. London: Elsevier. ISBN 978-0-7020-7705-0. |
+
+| **Hansen & Ji 2010** | Hansen, D.W. & Ji, Q. (2010). In the Eye of the Beholder: A Survey of Models for Eyes and Gaze. *IEEE TPAMI*, 32(3), 478–500. DOI: 10.1109/TPAMI.2009.30. |
+
+| **Duchowski 2017** | Duchowski, A.T. (2017). *Eye Tracking Methodology.* 3rd ed. Springer. ISBN 978-3-319-57881-1. DOI: 10.1007/978-3-319-57883-5. |
+
+| **Holmqvist et al. 2011** | Holmqvist, K. et al. (2011). *Eye Tracking: A Comprehensive Guide to Methods and Measures.* Oxford University Press. ISBN 978-0-19-969708-3. |
+
+| **Majaranta & Bulling 2014** | Majaranta, P. & Bulling, A. (2014). Eye Tracking and Eye-Based HCI. In *Advances in Physiological Computing*, Springer, pp. 39–65. DOI: 10.1007/978-1-4471-6392-3_3. |
+
+| **Hall et al. 2009** | Hall, B.D. et al. (2009). Elements of Morphology: Standard Terminology for the Periorbital Region. *Am J Med Genet A*, 149A(1), 29–39. DOI: 10.1002/ajmg.a.32597. |
+
+| **Farkas 1994** | Farkas, L.G. (1994). *Anthropometry of the Head and Face.* 2nd ed. New York: Raven Press. ISBN 978-0-7817-0159-4. |
+
+| **Chen 2007** | Chen, W.P.D. (2007). The Concept of a Glide Zone… *Plast Reconstr Surg*, 119(1), 379–386. DOI: 10.1097/01.prs.0000244908.04694.32. |
+
+| **Chen 2016** | Chen, W.P.D. (2016). *Asian Blepharoplasty and the Eyelid Crease.* 3rd ed. Elsevier. ISBN 978-0-323-35572-8. |
+
+| **Kiranantawat et al. 2015** | Kiranantawat, K. et al. (2015). The Asian Eyelid: Relevant Anatomy. *Semin Plast Surg*, 29(3), 158–164. DOI: 10.1055/s-0035-1556852. |
+
+| **Jeong et al. 1999** | Jeong, S. et al. (1999). The Asian Upper Eyelid: An Anatomical Study. *Arch Ophthalmol*, 117(7), 907–912. DOI: 10.1001/archopht.117.7.907. |
+
+| **Park & Hwang 2016** | Park, J.W. & Hwang, K. (2016). Anatomy and Histology of an Epicanthal Fold. *J Craniofac Surg*, 27(4), 1101–1103. DOI: 10.1097/SCS.0000000000002628. |
+
+| **Jacobs et al. 2021** | Jacobs, S.M. et al. (2021). A Review of Acquired Blepharoptosis. *Eye*, 35, 2468–2481. DOI: 10.1038/s41433-021-01547-5. |
+
+| **FIPAT 2019** | FIPAT (2019). *Terminologia Anatomica.* 2nd ed. IFAA. Online: fipat.library.dal.ca/TA2/. |
+
+| **Schünke et al. 2022** | Schünke, M. et al. (2022). *PROMETHEUS Kopf, Hals und Neuroanatomie.* 6. Aufl. Thieme. ISBN 978-3-13-244421-8. |
+
+  
+
+### Conclusion
+
+  
+
+Three cross-cutting observations emerge from this compilation. First, the **single most useful source for periorbital morphological terminology** in a thesis context is Hall et al. (2009), which standardizes 39 terms with photographic illustrations — it bridges clinical anatomy and computational phenotyping in a way that textbooks alone do not. Second, the **lid crease versus lid fold distinction** is the most terminologically treacherous area: the German word "Falte" collapses a distinction that Chen (2007) showed to be anatomically fundamental, so the thesis should explicitly define both terms and note the ambiguity. Third, for the NIR imaging context, **Hansen & Ji (2010)** remains the authoritative survey linking anatomical structures to their computational representations in eye-tracking systems, and serves as the natural bridge between the anatomical definitions above and the technical content of the thesis.
--- a/Prewrite/2.
+++ b/Prewrite/2.
@@ -0,0 +1,701 @@
+# Gemini: **Grundlagen der Computergrafik: Synthese, Modellierung und Parametrisierung für die Generierung synthetischer Bilddaten**
+
+  
+
+## **Einleitung und wissenschaftliche Kontextualisierung**
+
+  
+
+Die Erstellung von Masterarbeiten im Bereich der Informatik, insbesondere mit dem spezifischen Fokus auf die Generierung synthetischer Bilddaten – wie etwa hochrealistischer Augenbilder für das Training von Machine-Learning-Modellen – erfordert ein tiefgreifendes und formales Verständnis der zugrundeliegenden Computergrafik-Konzepte. Die moderne Computergrafik (CG) ist eine hochgradig interdisziplinäre Wissenschaft, die Gebiete wie die angewandte Mathematik, die physikalische Optik, die Differentialgeometrie und die Softwaretechnik verbindet, um digitale Repräsentationen der realen Welt zu synthetisieren. Um fotorealistische und physikalisch korrekte Ergebnisse in professionellen Programmen wie Blender zu erzielen, ist es unabdingbar, die theoretischen Fundamente der Bildsynthese (Rendering), der geometrischen Oberflächendarstellungen (Polygon-Meshes, parametrische Flächen, Subdivision Surfaces) sowie der Formveränderung (Blend Shapes) und der Oberflächenparametrisierung (UV-Mapping) präzise zu definieren und im wissenschaftlichen Diskurs zu verorten.  
+
+Der vorliegende Forschungsbericht dient als tiefgreifendes und erschöpfendes Referenzdokument. Er stellt die notwendigen Definitionen auf dem formalen Niveau aktueller CG-Lehrbücher bereit und belegt diese mit zitierfähigen Standardquellen. Gleichzeitig wird der übergeordnete Kontext beleuchtet, in dem diese Konzepte operieren, um die kausalen Zusammenhänge zwischen den mathematischen Datenstrukturen und der finalen Bildqualität aufzuzeigen. Besonderes Augenmerk wird dabei auf die Übertragbarkeit dieser Konzepte auf die Modellierung und das Rendering anatomisch korrekter, synthetischer Augen gelegt, da hier Phänomene wie komplexe Lichtbrechung, feine organische Topologien und nahtlose Texturierungen zusammentreffen.
+
+  
+
+## **Die Bildsynthese: Fundamente des Renderings**
+
+  
+
+Die Erzeugung eines zweidimensionalen Bildes aus einer dreidimensionalen Szene stellt das absolute Kernproblem der Computergrafik dar. Diese mathematische Transformation erfordert die Modellierung von Lichtausbreitung, geometrischer Verdeckung und physikalischen Materialeigenschaften.  
+
+**Kompakte Definition: Rendering** Rendering (Bildsynthese) ist der rechnergestützte Prozess der Generierung eines 2D-Bildes aus einer 3D-Szenenbeschreibung, welche Geometrie, Kameraparameter, Lichtquellen und Materialeigenschaften (Shading-Modelle) umfasst. Der Prozess berechnet die Interaktion von Lichtstrahlen mit den Objekten der Szene unter Anwendung projektiver Geometrie und physikalischer Beleuchtungsmodelle, um die finale Farbgebung und Intensität jedes Pixels in der Bildebene zu bestimmen.1 Als grundlegende zitierfähige Standardquelle für dieses Konzept in seiner ganzen Breite eignet sich das Lehrbuch: Marschner, S., & Shirley, P. (2021). *Fundamentals of Computer Graphics* (5th ed.). CRC Press.4  
+
+Die Szenenbeschreibung, die als Input für den Rendering-Prozess dient, ist im Wesentlichen eine strukturierte Datenbank. Sie enthält Koordinaten von Vertices, Transformationsmatrizen (Translation, Rotation, Skalierung) zur Positionierung der Objekte im globalen Raum, sowie Definitionen der virtuellen Kamera (Sichtfeld, Brennweite, Sensorgröße).3 Der Renderer evaluiert diese Datenstrukturen, um das physikalische Verhalten von Licht nachzubilden. Für die Erzeugung synthetischer Augenbilder bedeutet dies, dass der Renderer berechnen muss, wie Licht durch die transparente Hornhaut (Cornea) in die vordere Augenkammer eindringt, an der Iris reflektiert wird und durch die Pupille in das Augeninnere fällt. Diese hochkomplexen Lichtpfade erfordern Algorithmen, die weit über einfache Projektionen hinausgehen. Die Wahl des Rendering-Algorithmus ist somit die weitreichendste Entscheidung in der gesamten Synthese-Pipeline.
+
+  
+
+## **Architekturen der Bildsynthese: Path Tracing vs. Rasterisierung**
+
+  
+
+Innerhalb der Bildsynthese haben sich historisch und technologisch zwei primäre Paradigmen herausgebildet, die völlig unterschiedliche Kompromisse zwischen Berechnungsgeschwindigkeit und physikalischer Genauigkeit eingehen: die Rasterisierung (Rasterization) und das Path Tracing (als fortgeschrittene und physikalisch korrekte Form des Ray Tracings).6  
+
+**Kurze Charakterisierung und Anwendungsbereiche:** Die *Rasterisierung* ist ein extrem schneller, objektzentrierter Ansatz, bei dem 3D-Dreiecke mathematisch auf die 2D-Bildebene projiziert und in Pixel (Fragmente) umgewandelt werden; sie wird primär in Echtzeitanwendungen wie Videospielen verwendet, da sie lokale Beleuchtung effizient berechnet, globale Effekte wie Reflexionen oder weiche Schatten jedoch nur durch fehleranfällige Approximationen vortäuschen kann.3 Das *Path Tracing* hingegen ist ein bildzentrierter Ansatz, bei dem Lichtpfade stochastisch von der Kamera durch die Szene verfolgt werden, um die physikalische Lichtausbreitung (Global Illumination) exakt zu simulieren; es wird verwendet, wenn höchster Fotorealismus zwingend erforderlich ist (z.B. Film-VFX oder hochpräzise synthetische Daten für Machine Learning), nimmt dafür aber einen enormen Rechenaufwand in Kauf.6  
+
+Eine tiefgreifende Betrachtung der Rasterisierung zeigt, dass dieser Ansatz auf der Grafikhardware (GPU) durch eine fest verdrahtete, aber programmierbare Pipeline realisiert wird. Die Geometrie wird durch Vertex-Shader transformiert, vom Rasterizer in Pixel zerlegt und im Fragment-Shader eingefärbt.1 Um die Verdeckung von Objekten korrekt darzustellen, wird ein Z-Buffer (Depth Buffer) verwendet, der die Distanz jedes Pixels zur Kamera speichert und überschreibt, falls ein näheres Objekt gezeichnet wird.2 Die massive Schwäche der Rasterisierung bei der Erzeugung realistischer Augenbilder liegt in der Handhabung von Transparenz und Lichtbrechung (Refraktion). Das Auge besitzt eine Linse und eine mit Kammerwasser gefüllte vordere Augenkammer, die das Licht brechen. Rasterisierung kann Brechung nur durch Screen-Space-Approximationen fälschen, was für wissenschaftlich nutzbare Ground-Truth-Daten für Machine-Learning-Modelle unzureichend ist.  
+
+Das Path Tracing löst diese Probleme durch seinen fundamental anderen Ansatz. Es basiert auf der numerischen Lösung der von James Kajiya 1986 formulierten Rendering-Gleichung (Rendering Equation). Beim Path Tracing werden Strahlen von der Kamera in die Szene geschossen. Trifft ein Strahl auf die Cornea des synthetischen Auges, berechnet der Algorithmus anhand des Brechungsindex (Index of Refraction, IOR) den genauen Winkel der Lichtbrechung und verfolgt den Strahl weiter in das Augeninnere.9 Die globale Beleuchtung, bei der Licht von der Haut auf das Auge und vom Auge zurück auf die Wimpern reflektiert (Color Bleeding), ergibt sich durch diese stochastische Strahlverfolgung automatisch und physikalisch korrekt ("for free").6 Die Engine "Cycles" in Blender ist ein klassischer Path Tracer. Für die Erzeugung von Trainingsdaten ist Path Tracing trotz der langen Berechnungszeiten alternativlos, da neuronale Netze andernfalls die renderingbedingten Artefakte der Rasterisierung als Features erlernen könnten, was zu einem schwerwiegenden "Domain Gap" zwischen synthetischen und realen Bildern führt.
+
+  
+
+![][image1]
+
+  
+
+## **Literaturdiskurs: Identifikation des CG-Standardlehrbuchs für Rendering**
+
+  
+
+Für ein Grundlagen-Kapitel einer wissenschaftlichen Masterarbeit, das sich auf das Rendern realistischer Augenbilder in Blender fokussiert, ist die Wahl der primären Referenzquelle für das Rendering von höchster Bedeutung. Die Literatur der Computergrafik bietet hierfür vier historisch und akademisch äußerst prominente Kandidaten, deren Eignung sorgfältig evaluiert werden muss:
+
+  
+
+1. **Foley, van Dam, Feiner, Hughes: "Computer Graphics: Principles and Practice"**.10 Dieses Werk wurde 1982 erstmals veröffentlicht und war über Jahrzehnte die unangefochtene "Bibel" der Computergrafik. Die Neuauflage von Hughes et al. (3. Edition, 2013\) ist extrem umfassend und deckt von 2D-Rasteralgorithmen über Hardware-Architekturen bis hin zu grundlegenden 3D-Konzepten alles ab.11 Aufgrund seines historisch gewachsenen, enzyklopädischen Charakters wird es jedoch oft als zu breit gefächert betrachtet, um als fokussierte Einzelreferenz für moderne, hochspezialisierte Path-Tracing-Architekturen zu dienen.12  
+
+2. **Marschner, S., & Shirley, P.: "Fundamentals of Computer Graphics"**.4 Dies ist ein exzellentes, weit verbreitetes Lehrbuch für den universitären Einstieg.13 Es vermittelt die Grundlagen sehr zugänglich, geht jedoch in den spezifischen mathematischen Tiefen der stochastischen Lichtsimulation (die für Blenders Cycles-Engine maßgeblich ist) nicht weit genug, um als alleinige Autorität für High-End-Bildsynthese zu fungieren.12  
+
+3. **Akenine-Möller et al.: "Real-Time Rendering"**.15 Dies ist das definitive, industrieweit anerkannte Standardwerk für Rasterisierung und interaktive Echtzeitgrafik.16 Da die synthetische Bildgenerierung für das Training maschineller Lernmodelle jedoch auf höchste physikalische Akkuratesse angewiesen ist und daher überwiegend Offline-Path-Tracing nutzt, liegt der Fokus dieses Buches abseits des Kernbedarfs der Masterarbeit.  
+
+4. **Pharr, Humphreys und Jakob: "Physically Based Rendering: From Theory to Implementation" (PBRT)**.17
+
+  
+
+**Empfehlung der optimalen Standardquelle:** Für Rendering-Grundlagen im Kontext moderner, physikalisch basierter Bildsynthese – wie sie zwingend für fotorealistische Augenbilder mit Blenders Cycles-Engine benötigt wird – ist **Pharr, Humphreys und Jakob: "Physically Based Rendering: From Theory to Implementation" (4th Edition, 2023, The MIT Press)** das mit Abstand am besten geeignete Standardlehrbuch.17  
+
+Dieses Buch gilt in der Forschung und der Filmindustrie als das unumstrittene Referenzwerk für Path Tracing und physikalische Materialmodellierung.18 Es zeichnet sich durch seinen einzigartigen "Literate Programming"-Ansatz aus, der tiefgreifende mathematische Theorie (Monte-Carlo-Integration, Bidirectional Path Tracing, Microfacet-Reflexionsmodelle) direkt mit produktionsreifem C++-Quellcode verwebt.17 Der Einfluss dieses Werkes auf die moderne Computergrafik ist so immens, dass das Autorenteam für die Bereitstellung dieser "praktischen Roadmap für physikalisch basierte Shading- und Lighting-Systeme" mit einem Academy Award (Oscar) für wissenschaftliche und technische Verdienste ausgezeichnet wurde.18 Da Blenders Cycles-Renderer architektonisch stark von den in PBRT dargelegten Prinzipien inspiriert ist, liefert dieses Buch exakt die zitierfähigen theoretischen Fundamente, die für die Masterarbeit benötigt werden.
+
+  
+
+## **Geometrische Repräsentationen: Oberflächendarstellungen im 3D-Raum**
+
+  
+
+Bevor das Licht im Rendering-Prozess mit Oberflächen interagieren kann, müssen diese Oberflächen mathematisch im dreidimensionalen Raum definiert und im Speicher des Computers repräsentiert werden. Die Wahl der geometrischen Repräsentation ist keineswegs trivial; sie beeinflusst maßgeblich, welche Arten von geometrischen Berechnungen effizient durchgeführt werden können und wie leicht die Oberfläche durch Künstler oder Algorithmen modifiziert werden kann. In der Computergrafik unterscheidet man grundlegend zwischen parametrischen und impliziten Oberflächendarstellungen.21  
+
+**Kompakte Gegenüberstellung: Parametrische vs. Implizite Oberflächen** *Parametrische Oberflächen* definieren 3D-Punkte explizit durch eine vektorwertige Funktion über einem zweidimensionalen Parameterraum ($f(u,v) \= (x,y,z)$). Ihre Stärken liegen in der einfachen, direkten Generierung von Oberflächenpunkten zur Zeichnung (Tessellierung) sowie im intuitiven Texture-Mapping, da die Parameter $(u,v)$ natürliche Texturkoordinaten vorgeben; ihre Schwächen zeigen sich bei komplexen topologischen Operationen und der schwierigen Überprüfung, ob ein beliebiger Punkt innerhalb oder außerhalb des Objekts liegt.23 *Implizite Oberflächen* hingegen definieren Formen indirekt als Nullstellenmenge einer skalaren räumlichen Funktion ($F(x,y,z) \= 0$). Ihre immensen Stärken sind die triviale Bestimmung von Innen- und Außenräumen (wichtig für Kollisionserkennung und Strahlenschnitte im Raytracing) sowie die einfache Durchführung Boolescher Operationen (Verschmelzen, Abziehen); ihre Schwächen liegen in der komplexen direkten Visualisierung und der extrem schwierigen 2D-Parametrisierung für Texturen.23  
+
+Eine hervorragende und zitierbare Standardquelle für diese Gegenüberstellung in einem CG-Lehrbuch ist: Hughes, J. F., van Dam, A., McGuire, M., Sklar, D. F., Foley, J. D., Feiner, S. K., & Akeley, K. (2013). *Computer Graphics: Principles and Practice* (3rd ed.). Addison-Wesley Professional (Kapitel zu Shape Representations).25  
+
+Im Kontext der Modellierung menschlicher Augen werden in der Praxis fast ausschließlich parametrische Darstellungen oder deren diskrete Approximationen (Polygon-Meshes) verwendet. Ein Auge erfordert hochauflösende Texturen für die feinen Kapillaren der Sklera und die komplexen, radialen Farbmuster der Iris. Wie die Gegenüberstellung zeigt, sind implizite Flächen (wie Signed Distance Fields oder Metaballs) für solche Texturierungsaufgaben aufgrund der fehlenden inhärenten 2D-Parameter extrem unhandlich. Parametrische Beschreibungen erlauben es dem 3D-Künstler, die Texturkoordinaten exakt zu steuern, weshalb sie in Modellierungsumgebungen wie Blender den absoluten Standard darstellen.
+
+  
+
+| Merkmal | Parametrische Oberflächen (f(u,v)→R3) | Implizite Oberflächen (F(x,y,z)=0) |
+
+| :---- | :---- | :---- |
+
+| **Mathematische Natur** | Explizite Kartierung vom 2D- in den 3D-Raum. | Skalares Feld im 3D-Raum (Nullstellenmenge). |
+
+| **Stärken** | Einfache Punktauswertung; natürliches Texture-Mapping; direkte Kontrolle für Modellierer. | Trivialer Inside/Outside-Test ($F(x)\<0$ vs $F(x)\>0$); perfekte CSG (Boolesche) Operationen; nahtloses Verschmelzen. |
+
+| **Schwächen** | Boolesche Operationen sind extrem rechenintensiv; topologische Änderungen (z.B. Löcher reißen) sind komplex. | Schwierig zu texturieren (kein natürlicher Parameterraum); direkte Zeichnung (Tessellierung) erfordert teure Algorithmen (z.B. Marching Cubes). |
+
+| **Primäre Anwendung** | Charaktermodellierung, organische Formen (Auge), Animation, Texturierung. | Fluidsimulationen, Raytracing-Primitive, prozedurale Geometrie. |
+
+  
+
+## **Diskrete Oberflächendarstellungen: Polygon-Meshes**
+
+  
+
+Trotz der mathematischen Eleganz kontinuierlicher Funktionen (wie NURBS-Flächen) werden in modernen Computergrafik-Pipelines nahezu alle Oberflächen letztlich in diskrete, vernetzte Strukturen umgewandelt, um sie effizient verarbeiten zu können. Das Polygon-Mesh (Polyeder-Netz) hat sich hierbei als der absolute De-facto-Standard etabliert. Es stellt eine sogenannte Boundary Representation (B-rep) dar, welche die Oberfläche eines Objekts beschreibt, nicht dessen Volumen.21  
+
+**Kompakte Definition: Polygon-Mesh, Vertex, Edge, Face** Ein Polygon-Mesh ist eine diskrete Repräsentation einer geometrischen Oberfläche, die deren exakte räumliche Form und Topologie kodiert. Es besteht fundamental aus drei Elementen: Einem **Vertex** (Plural: Vertices; Knotenpunkt), der eine exakte dreidimensionale Koordinate $(x,y,z)$ im Raum definiert; einer **Edge** (Kante), die ein gerades Liniensegment darstellt, welches topologisch genau zwei Vertices miteinander verbindet; und einem **Face** (Polygon/Fläche), welches eine geschlossene Facette beschreibt, die durch einen Ring verbundener Kanten begrenzt wird und die eigentlich sichtbare, texturierbare Oberfläche konstituiert.21  
+
+Eine exzellente, zitierbare Standardquelle für diese spezifischen Definitionen und die gesamte Theorie der Netzverarbeitung ist das spezialisierte Lehrbuch: Botsch, M., Kobbelt, L., Pauly, M., Alliez, P., & Lévy, B. (2010). *Polygon Mesh Processing*. A K Peters/CRC Press.21  
+
+Um Algorithmen effizient auf diesen Meshes operieren zu lassen, reicht es nicht aus, Vertices und Faces als unverbundene Listen ("Polygon Soup") zu speichern. Stattdessen werden komplexe Graphen-Datenstrukturen verwendet, die die Konnektivität abbilden. Die weithin verbreitete *Half-Edge Data Structure* speichert Kanten als zwei entgegengesetzt gerichtete Halb-Kanten. Dies ermöglicht es Algorithmen, in konstanter Zeit ($O(1)$) abzufragen, welche Flächen an eine Kante grenzen oder welche Kanten in einem Vertex zusammenlaufen.21 Diese schnelle Traversierung ist die absolute Grundvoraussetzung für nachgelagerte Operationen wie Oberflächenglättung, Deformation oder Parameter-Unwrapping, die für die Erstellung eines realistischen Auges in Blender unverzichtbar sind.
+
+  
+
+## **Topologische Struktur und die Rolle irregulärer Vertices**
+
+  
+
+Die Qualität, Deformierbarkeit und visuelle Glätte eines Meshes hängt nicht nur von den nackten Raumkoordinaten der Vertices ab, sondern ganz maßgeblich von seiner Topologie – also dem logischen Verbindungsnetzwerk der Elemente, unabhängig von deren Position im Raum. Besonders im Bereich der Charakteranimation und der organischen Modellierung wird intensiv auf sogenannte quad-dominante Meshes Wert gelegt. Dies sind Polygon-Netze, die primär oder ausschließlich aus Vierecken (Quadrilaterals/Quads) anstelle von Dreiecken (Triangles) bestehen.31 Quads erlauben einen sauberen "Edge Flow" (Kantenfluss), der für realistische Verformungen bei der Animation (etwa beim Schließen des Augenlids) essenziell ist.  
+
+**Kompakte Definition: Mesh-Topologie und Extraordinary Vertices** Die Mesh-Topologie beschreibt die Struktur der Verbindungen (Konnektivität) zwischen Vertices, Edges und Faces, ungeachtet ihrer räumlichen Koordinaten; ein zentrales Maß hierfür ist die Valenz (der Grad) eines Vertex, die angibt, wie viele Kanten an ihm anliegen. In einem quad-dominanten Mesh gilt ein Vertex als *regulär*, wenn er exakt die Valenz vier besitzt. Ein Vertex, dessen Valenz von diesem topologischen Idealwert abweicht (z.B. Valenz 3 oder 5 in einem Quad-Mesh), wird als irregulärer oder *extraordinary Vertex* bezeichnet; diese Punkte sind mathematisch notwendig, um geschlossene, gekrümmte Formen aus Quads zu bilden, unterbrechen jedoch den lokalen Kantenfluss und erfordern komplexe Sonderregeln bei Glättungsalgorithmen.21  
+
+Zitierbare Lehrbuchquelle für Topologie und Valenz in Meshes: Botsch, M., Kobbelt, L., Pauly, M., Alliez, P., & Lévy, B. (2010). *Polygon Mesh Processing*. A K Peters/CRC Press.21  
+
+Die schiere Notwendigkeit von extraordinary Vertices ist kein Fehler des Modellierers, sondern eine fundamentale mathematische Gegebenheit, die aus dem Satz von Euler-Poincaré für Polyeder folgt ($V \- E \+ F \= \\chi$, wobei $\\chi$ die Euler-Charakteristik ist). Für eine geschlossene Kugelstruktur (Genus $g=0$, $\\chi=2$), wie sie ein Augapfel darstellt, ist es geometrisch und topologisch absolut unmöglich, sie vollständig aus Quads zu konstruieren, bei denen jeder einzelne Vertex die Valenz 4 aufweist. Das Mesh muss zwingend extraordinary Vertices enthalten (oft an den Polen der Kugel angesiedelt).  
+
+Das tiefe Verständnis dieser irregulären Punkte ist für die Bildsynthese von entscheidender Bedeutung. Wie in den folgenden Abschnitten zu Subdivision Surfaces erläutert wird, verhalten sich Glättungsalgorithmen an extraordinary Vertices mathematisch anders als an regulären Vertices. Wenn ein solcher irregulärer Vertex auf der stark gekrümmten und hochgradig reflektierenden Hornhaut (Cornea) des Auges platziert wird, kann dies zu sichtbaren "Pinching"-Artefakten in den Spiegelungen (Specular Highlights) der Lichtquellen führen. Ein korrekter topologischer Aufbau (Retopology) eines synthetischen Auges zielt daher darauf ab, extraordinary Vertices in flachere oder unsichtbare Bereiche (wie die Rückseite des Augapfels oder unter das Augenlid) zu verschieben.
+
+  
+
+![][image2]
+
+  
+
+## **Hierarchische Verfeinerung: Subdivision Surfaces und Catmull-Clark**
+
+  
+
+Während diskrete Polygon-Meshes eine exzellente Kontrolle über die Modellierung bieten, sind harte, eckige Polygonkanten für die Darstellung organischer Strukturen wie eines menschlichen Auges visuell inakzeptabel. Die Lösung dieses Problems bildet das Konzept der Subdivision Surfaces (Unterteilungsflächen). Diese wegweisende Technik schließt die Lücke zwischen diskreten Meshes und vollkommen glatten, kontinuierlichen parametrischen Oberflächen.  
+
+Die Grundlage für nahezu alle modernen Subdivisions-Verfahren in Programmen wie Blender bildet der Algorithmus, der in den späten 1970er Jahren am New York Institute of Technology entwickelt wurde.35  
+
+**Originalpaper und Bibliographische Angabe:** Catmull, E., & Clark, J. (1978). "Recursively generated B-spline surfaces on arbitrary topological meshes." *Computer-Aided Design*, 10(6), 350-355..37  
+
+Dieses Paper ist von derart fundamentaler Bedeutung für die moderne 3D-Computergrafik, dass Edwin Catmull (Mitbegründer von Pixar) und Jim Clark hierfür sowie für weiterführende Entwicklungen später mit einem Academy Award ausgezeichnet wurden.35  
+
+**Kompakte Definition: Kernidee des Catmull-Clark-Algorithmus** Die Kernidee der Subdivision Surfaces, spezifisch des Catmull-Clark-Algorithmus, besteht darin, ein grobes, eckiges polygonales Kontrollnetz (Control Mesh) algorithmisch und rekursiv in immer feinere Facetten zu unterteilen und simultan zu glätten. In jedem Iterationsschritt werden nach strengen Gewichtungsregeln neue Face-, Edge- und Vertex-Punkte berechnet, die als topologische Durchschnitte der umgebenden Geometrie entstehen; durch diese theoretisch unendliche Rekursion konvergiert das grobe diskrete Netz gegen eine stetige, beliebig glatte Limit-Fläche (Limit Surface), die im regulären Fall einer bikubischen B-Spline-Fläche entspricht.35  
+
+Der Algorithmus arbeitet in einem iterativen Prozess, der die Geometrie verfeinert. Für jedes Face im Kontrollnetz wird ein neuer *Face Point* berechnet, der dem Durchschnitt aller Vertices dieses Faces entspricht. Anschließend wird für jede Kante ein neuer *Edge Point* generiert, der sich aus dem Durchschnitt der beiden Endpunkte der Kante sowie den neu berechneten Face Points der beiden angrenzenden Flächen berechnet. Schließlich werden die ursprünglichen *Vertex Points* an neue Positionen verschoben, basierend auf einer gewichteten Kombination aus ihrer alten Position, den angrenzenden neuen Face Points und den Mittelpunkten der angrenzenden Kanten.  
+
+Dieser Prozess ermöglicht es 3D-Künstlern, bei der Erstellung des synthetischen Auges mit einer sehr geringen Anzahl an Kontroll-Polygonen zu arbeiten (was die Modellierung und Animation enorm erleichtert), während der Renderer (wie Cycles) zur Laufzeit eine makellos glatte Oberfläche berechnet.
+
+  
+
+## **Analytische Eigenschaften: Stetigkeitsklassen (Continuity)**
+
+  
+
+Ein kritischer Aspekt bei der mathematischen Evaluierung von Subdivision Surfaces ist die Stetigkeit (Continuity) der resultierenden Limit-Fläche. In der Differentialgeometrie beschreiben Stetigkeitsklassen, wie "glatt" ein Übergang ist. $C^0$-Stetigkeit bedeutet, dass die Fläche keine Risse aufweist (Position ist stetig). $C^1$-Stetigkeit impliziert, dass die Tangentenvektoren kontinuierlich über die Fläche fließen (die Fläche hat keine scharfen Knicke). $C^2$-Stetigkeit ist eine noch strengere Bedingung und bedeutet, dass auch die zweite Ableitung, also die Krümmung (Curvature), nahtlos ineinander übergeht.  
+
+Für das Rendering eines Auges, insbesondere der stark spiegelnden Cornea, ist $C^2$-Stetigkeit enorm wichtig. Ist eine Fläche nur $C^1$-stetig, weist die Spiegelung einer Lichtquelle (Specular Highlight) beim Bewegen über die Fläche sichtbare Beschleunigungen oder kleine visuelle Sprünge auf, was den Fotorealismus stark beeinträchtigt. Hier offenbart sich die immense Bedeutung der zuvor erklärten *extraordinary Vertices*.  
+
+**Verifizierung der Stetigkeit bei Catmull-Clark:** Es ist mathematisch bewiesen, dass die durch den Catmull-Clark-Algorithmus generierte Limit-Surface überall dort, wo das Kontrollnetz aus regulären Vertices besteht (Valenz 4), exakt die analytischen Eigenschaften von uniformen bikubischen B-Spline-Flächen aufweist und somit strikt $C^2$-stetig ist.35 An den Positionen der irregulären (extraordinary) Vertices fällt die Stetigkeit der Fläche jedoch ab. Durch komplexe Eigenwertanalysen der Unterteilungsmatrizen wurde gezeigt, dass die Fläche an diesen Polstellen lediglich $C^1$-stetig ist (sie ist stetig in der Tangentialebene), die $C^2$-Stetigkeit dort jedoch nicht gegeben ist.36 Dies bedeutet, dass die Oberfläche an irregulären Vertices zwar knickfrei ist, die Krümmung jedoch Singularitäten oder kleine Schwankungen aufweisen kann. *Zitierbare Quelle zur Stetigkeit:* Doo, D., & Sabin, M. (1978). "Behaviour of recursive division surfaces near extraordinary points." *Computer-Aided Design*, 10(6), 356-360.41 (Für spezifische Verifizierungen des Catmull-Clark-Schemas wird zudem oft Zorin, D. (2000) zitiert 42).  
+
+Dies unterstreicht erneut die praktische Relevanz, irreguläre Vertices im Modell des synthetischen Auges aus der stark reflektierenden Hornhaut-Zone herauszuhalten und sie in Bereiche zu verschieben, die von diffusen Texturen (wie der Sklera) oder dem Augenlid verdeckt werden.
+
+  
+
+## **Lokale Schärfekontrolle: Semi-Sharp Edge Creases**
+
+  
+
+Während die weiche, $C^2$-stetige Glättung von Catmull-Clark ideal für organische Formen ist, erfordern bestimmte anatomische Details gezielte Kanten. Am menschlichen Auge findet sich beispielsweise am Limbus – dem Übergang zwischen der weißen Sklera und der transparenten Hornhaut – oft ein definierter topologischer Übergang. Würde man hier einfaches Subdivision anwenden, würde die Kante vollkommen "weichgespült". Traditionell lösten Modellierer dies, indem sie extrem viele kleine Kontrollkanten eng nebeneinander platzierten (Support Loops), was die Geometrie jedoch unnötig verdichtet und schwer kontrollierbar macht. Die elegantere Lösung, die heute in Blender als "Crease"-Gewichtung (Shift+E) implementiert ist, greift direkt in die Mathematik des Subdivision-Algorithmus ein.44  
+
+**Kompakte Definition: Edge Creases (Semi-sharp Creases)** Um scharfe Kanten oder definierte Übergänge innerhalb einer ansonsten glatten Subdivision-Surface zu erhalten, wird das Konzept der "Edge Creases" (korrekter Fachbegriff: *Semi-sharp Creases*) verwendet. Dabei erhalten spezifische Kanten des Kontrollnetzes einen kontinuierlichen Schärfe-Wert (Weight); der Unterteilungsalgorithmus wendet während der ersten Rekursionsschritte spezielle, lineare Kantenregeln an, die den Kantenfluss scharf interpolieren statt ihn zu runden, und geht in späteren Iterationen wieder in die Standard-Glättung über, wodurch sich stufenlos kontrollierbare, halbscharfe Profilkanten (Fillets) ohne zusätzliche Geometrie ergeben.44  
+
+**Zitierbare Primärquelle:** Dieses Konzept wurde maßgeblich von Forschern der Pixar Animation Studios für die Produktion des Kurzfilms "Geri’s Game" (1997) entwickelt und wissenschaftlich publiziert. Die Standardreferenz lautet: DeRose, T., Kass, M., & Truong, T. (1998). "Subdivision surfaces in character animation." *Proceedings of the 25th annual conference on Computer graphics and interactive techniques (SIGGRAPH '98)*, 85-94.47  
+
+DeRose et al. zeigten, dass durch die Integration von Semi-sharp Creases die Speicherbelastung dramatisch reduziert werden konnte, da auf unzählige eng gesetzte Support-Kanten verzichtet werden konnte.47 In Blender wird das Konzept exakt nach dieser Methode angewandt, indem Kanten ein Crease-Weight zwischen 0.0 (vollständig weich) und 1.0 (unendlich scharf, $C^0$-stetig) zugewiesen wird, was bei der parametrischen Modellierung anatomischer Abgrenzungen von immensem Vorteil ist.
+
+  
+
+## **Formveränderung und Animation: Blend Shapes und Morph Targets**
+
+  
+
+Für die Animation eines synthetischen Augenmodells – sei es das Schließen der Augenlider beim Blinzeln, das Zusammenkneifen der Augenpartie (Squint) oder die Dilatation der Pupille – greift die Computergrafik auf Vertex-basierte Interpolationstechniken zurück. In der Software Blender wird dieses essenzielle Feature proprietär als "Shape Keys" bezeichnet.49 Um in einer Masterarbeit wissenschaftlich präzise zu bleiben, müssen jedoch die allgemein anerkannten akademischen Fachbegriffe verwendet werden.  
+
+**Allgemeine Fachbegriffe:** In der akademischen Literatur, der Filmproduktion und im VFX-Bereich hat sich primär der Begriff **Blend Shapes** (oder *Blendshape Models*) etabliert.50 In der Videospielindustrie und Echtzeit-Rendering-Community wird das exakt selbe Konzept traditionell als **Morph Targets** (gelegentlich auch *Per-Vertex Animation* oder *Shape Interpolation*) bezeichnet.52  
+
+**Zitierbare Standardquelle:** Als fundierte, zitierbare Referenzpublikation (State-of-the-Art Report) für dieses Konzept, die historische, mathematische und anwendungsspezifische Aspekte abdeckt, empfiehlt sich: Lewis, J. P., Anjyo, K., Rhee, T., Zhang, M., Pighin, F. H., & Deng, Z. (2014). "Practice and theory of blendshape facial models." *Eurographics (State of the Art Reports)*, 1(8), 2..51  
+
+**Kompakte Definition: Kernprinzip der Blend Shapes / Morph Targets** Das Kernprinzip von Blend Shapes (Morph Targets) basiert auf der pro-Vertex-Positionsoffset-Interpolation und deren additiver Kombination. Anstatt die Oberflächengeometrie für jede Pose völlig neu zu definieren, speichert eine Blend Shape lediglich die räumlichen Verschiebungsvektoren (Offsets) jedes einzelnen Vertex relativ zu einem neutralen Basis-Mesh; während der Animation werden diese Offset-Vektoren mit einem ansteuerbaren, skalaren Gewichtungsfaktor (dem "Slider", typischerweise im Intervall ) multipliziert, linear interpoliert und addiert, wodurch sich multiple Verformungen isoliert kontrollieren und konfliktfrei überlagern lassen.51  
+
+Mathematisch lässt sich dieses Prinzip elegant als lineare Matrix-Gleichung ausdrücken: $f \= b\_0 \+ \\sum\_{k=1}^{n} w\_k (b\_k \- b\_0)$ (wobei $f$ das resultierende Mesh, $b\_0$ das Basis-Mesh, $b\_k$ die Zielform und $w\_k$ das Gewichtungs-Skalar ist).51  
+
+Die Stärke dieser Methode liegt in ihrer Semantik. Anders als bei linearer Skelettanimation (Linear Blend Skinning), bei der Knochen (Bones) die Oberfläche über Gewichtungsmalerei deformieren (was bei den komplexen, gleitenden Muskelstrukturen des Gesichts schnell zu unnatürlichem "Candy-Wrapper"-Kollaps führt), erlauben Blend Shapes dem Künstler, die exakte topologische Form des Ziels (z.B. ein geschlossenes Lid) skulptural vorzugeben.50 Der Algorithmus interpoliert dann lediglich zwischen dem offenen und dem skulptierten geschlossenen Zustand.  
+
+Für die Generierung synthetischer Trainingsdaten für das Machine Learning ist diese Semantik von unschätzbarem Wert. Ein parametrisches Augenmodell kann Dutzende von Blend Shapes enthalten (z.B. *Lid\_Upper\_Down*, *Lid\_Lower\_Up*, *Pupil\_Dilate*, *Iris\_Convex*). Durch das automatisierte, stochastische Sampeln der Gewichtungsvektoren $w\_k$ lassen sich potenziell Millionen anatomisch plausibler, aber einzigartiger Augenformen und \-zustände generieren, was die Varianz (Diversity) des Trainingsdatensatzes für das neuronale Netz drastisch erhöht, ohne dass jedes Auge manuell modelliert werden muss.
+
+  
+
+## **Oberflächenparametrisierung: UV-Mapping**
+
+  
+
+Während die Geometrie und Animation des Auges durch Meshes, Subdivision und Blend Shapes definiert werden, erfordert der Fotorealismus zwingend detaillierte, bildbasierte Materialeigenschaften. Um einem generierten Augenmodell physiologisch korrekte Details – wie die hochkomplexe, faserige Struktur der Iris, das feine Netzwerk der Blutgefäße auf der Sklera oder subtile Unregelmäßigkeiten in der Hornhautrauigkeit – zu verleihen, müssen hochauflösende 2D-Texturen auf das 3D-Mesh abgebildet werden. Da ein Polygon-Mesh im dreidimensionalen kartesischen Raum existiert, Bilder jedoch in einem zweidimensionalen Pixelraster vorliegen, muss ein vermittelndes mathematisches Koordinatensystem etabliert werden.56  
+
+**Kompakte Definition: UV-Mapping** UV-Mapping bezeichnet den geometrischen Prozess der Erstellung einer 2D-Parametrisierung für eine diskrete 3D-Oberfläche. Dabei wird die dreidimensionale Topologie des Meshes durch den Anwender entlang definierter topologischer Nahtstellen (Seams) "aufgeschnitten" und in ein flaches, zweidimensionales Koordinatensystem (den UV-Raum, benannt nach den Achsen U und V) entfaltet (Unwrapping), sodass jedem 3D-Vertex exakte 2D-Texturkoordinaten zugewiesen werden; dies ermöglicht es der Rendering-Engine, 2D-Bilddaten (wie Farb-, Normalen- oder Rauigkeitskarten) mit definierter Skalierung und Ausrichtung auf die 3D-Geometrie zu projizieren.57  
+
+**Zitierbare Lehrbuchquellen für UV-Mapping:**
+
+  
+
+1. Für die mathematische und algorithmische Perspektive der Oberflächenentfaltung: Botsch, M., Kobbelt, L., Pauly, M., Alliez, P., & Lévy, B. (2010). *Polygon Mesh Processing*. A K Peters/CRC Press. (Speziell Kapitel 5: "Parameterization", welches die mathematische Minimierung von Verzerrungen beim Unwrapping behandelt).21  
+
+2. Für die anwendungsorientierte Perspektive der Texturprojektion während des Renderings: Marschner, S., & Shirley, P. (2021). *Fundamentals of Computer Graphics* (5th ed.). CRC Press. (Speziell das Kapitel "Texture Mapping").60
+
+  
+
+Der Hauptkonflikt beim UV-Mapping, der Gegenstand intensiver geometrischer Forschung ist, liegt in der Verzerrung (Distortion). Nach dem *Theorema Egregium* von Carl Friedrich Gauß ist es mathematisch unmöglich, eine doppelt gekrümmte Oberfläche (wie eine Kugel, was dem topologischen Äquivalent des Augapfels entspricht) ohne Verzerrungen in eine flache 2D-Ebene abzuwickeln.59 Beim Entfalten (Unwrapping) des Augen-Meshes müssen Algorithmen angewendet werden (wie *Least Squares Conformal Maps* oder *Angle Based Flattening*), die eine Energiefunktion minimieren. Dabei muss ein Kompromiss gefunden werden zwischen der Erhaltung von Winkeln (konforme Abbildung, verhindert lokales Scheren der Textur) und der Erhaltung von Flächenverhältnissen (authalische Abbildung, verhindert lokales Stauchen oder Dehnen der Textur).62  
+
+Für das Rendern synthetischer Augen ist ein hochgradig optimiertes, verzerrungsarmes UV-Layout zwingend erforderlich. Würde die Parametrisierung im Bereich der Iris starke konforme Verzerrungen aufweisen, würde eine perfekt kreisrunde Iris-Textur im finalen 3D-Render elliptisch verzerrt erscheinen. Ebenso würden Flächenverzerrungen dazu führen, dass die Texturauflösung (Texel-Density) ungleichmäßig über den Augapfel verteilt ist, was zu sichtbaren Qualitätsunterschieden im gerenderten Bild führt.
+
+  
+
+## **Fazit und Implikationen für die Synthese-Pipeline**
+
+  
+
+Das tiefe Verständnis und das präzise Zusammenwirken dieser grundlegenden Computergrafik-Konzepte bilden das theoretische und praktische Fundament jeder modernen Pipeline zur Synthese von Bilddaten. Jede Entscheidung innerhalb der Kette von der Modellierung bis zum finalen Bild bedingt sich gegenseitig.  
+
+Ein fundiertes Verständnis der physikalischen Lichtausbreitung und der Entscheidung für **Path Tracing** (anstelle der schnelleren Rasterisierung) diktiert die Nutzung einer physikalisch basierten Rendering-Engine wie Blenders Cycles, was weitreichende Konsequenzen für den Fotorealismus der komplexen kaustischen Lichtbrechungen im Auge hat. Die Wahl des **Polygon-Meshes** als primäre Oberflächendarstellung anstelle von rein impliziten Funktionen bietet die nötige explizite Kontrolle über die Form. Nur wenn die **Topologie** dieses Netzes verstanden wird und **irreguläre Vertices** strategisch kontrolliert platziert werden, kann der **Catmull-Clark-Algorithmus** seine Stärken ausspielen und eine artefaktfreie, $C^2$-stetige Limit-Oberfläche generieren, auf der sich Glanzlichter (Specular Highlights) natürlich verhalten. Die Integration von **Edge Creases** gewährt dabei die nötige Kontrolle, um anatomische Grenzen (wie den Limbus) scharf zu halten, ohne das Netz topologisch zu überladen.  
+
+Die dynamische Anpassung des Modells durch **Blend Shapes** ermöglicht anschließend die Variation tausender unterschiedlicher, aber stets plausibler Augenformen für das Machine Learning, während ein mathematisch fundiertes, verzerrungsminimiertes **UV-Mapping** die exakte, hochauflösende Projektion der Iris- und Sklera-Eigenschaften sichert. Das strukturierte Beherrschen dieser Prinzipien, wie sie in den etablierten und zitierten Lehrbüchern wie *Physically Based Rendering* und *Polygon Mesh Processing* dokumentiert sind, ist letztlich der kritische Faktor, der wissenschaftlich verwertbare, visuell überzeugende Ground-Truth-Daten von fehlerhaften Simulationen trennt.
+
+  
+
+#### **Referenzen**
+
+  
+
+1. \[Graphics\] Rendering Pipeline \- Youngdo Lee, Zugriff am April 1, 2026, [https://leeyngdo.github.io/blog/computer-graphics/2024-02-29-graphics-pipeline/](https://leeyngdo.github.io/blog/computer-graphics/2024-02-29-graphics-pipeline/)  
+
+2. Fundamentals of Computer Graphics \- Steve Marschner, Peter Shirley \- Google Books, Zugriff am April 1, 2026, [https://books.google.com/books/about/Fundamentals\_of\_Computer\_Graphics.html?id=WBfYCwAAQBAJ](https://books.google.com/books/about/Fundamentals_of_Computer_Graphics.html?id=WBfYCwAAQBAJ)  
+
+3. Rendering (computer graphics) \- Wikipedia, Zugriff am April 1, 2026, [https://en.wikipedia.org/wiki/Rendering\_(computer\_graphics)](https://en.wikipedia.org/wiki/Rendering_\(computer_graphics\))  
+
+4. Fundamentals Of Computer Graphics 5th \- CLaME, Zugriff am April 1, 2026, [https://clame.nyu.edu/libweb/E05AD2/311861/fundamentals-of\_computer\_graphics\_5th.pdf](https://clame.nyu.edu/libweb/E05AD2/311861/fundamentals-of_computer_graphics_5th.pdf)  
+
+5. Fundamentals of Computer Graphics; Fifth Edition, Zugriff am April 1, 2026, [https://api.pageplace.de/preview/DT0400.9781000426281\_A41250965/preview-9781000426281\_A41250965.pdf](https://api.pageplace.de/preview/DT0400.9781000426281_A41250965/preview-9781000426281_A41250965.pdf)  
+
+6. Rasterization vs Ray Tracing vs Path Tracing: What is the difference? \- iRender, Zugriff am April 1, 2026, [https://irendering.net/rasterization-vs-ray-tracing-vs-path-tracing-what-is-the-difference/](https://irendering.net/rasterization-vs-ray-tracing-vs-path-tracing-what-is-the-difference/)  
+
+7. What Is Rendering? A Guide to Computer Graphics | SuperRenders, Zugriff am April 1, 2026, [https://superrendersfarm.com/article/what-is-rendering-computer-graphics](https://superrendersfarm.com/article/what-is-rendering-computer-graphics)  
+
+8. What Is Path Tracing? \- NVIDIA Blog, Zugriff am April 1, 2026, [https://blogs.nvidia.com/blog/what-is-path-tracing/](https://blogs.nvidia.com/blog/what-is-path-tracing/)  
+
+9. ELI5: The difference between Rasterization, Ray casting, Ray tracing and Path tracing : r/explainlikeimfive \- Reddit, Zugriff am April 1, 2026, [https://www.reddit.com/r/explainlikeimfive/comments/ig9253/eli5\_the\_difference\_between\_rasterization\_ray/](https://www.reddit.com/r/explainlikeimfive/comments/ig9253/eli5_the_difference_between_rasterization_ray/)  
+
+10. Computer Graphics: Principles and Practice \- Wikipedia, Zugriff am April 1, 2026, [https://en.wikipedia.org/wiki/Computer\_Graphics:\_Principles\_and\_Practice](https://en.wikipedia.org/wiki/Computer_Graphics:_Principles_and_Practice)  
+
+11. Computer Graphics: Principles and Practice \- John F. Hughes \- Google Libri, Zugriff am April 1, 2026, [https://books.google.it/books?id=OVpsAQAAQBAJ](https://books.google.it/books?id=OVpsAQAAQBAJ)  
+
+12. Graphics Qual Reading List, Zugriff am April 1, 2026, [https://graphics.cs.wisc.edu/GraphicsQual/old-qual.html](https://graphics.cs.wisc.edu/GraphicsQual/old-qual.html)  
+
+13. zheng95z/fun-with-computer-graphics \- GitHub, Zugriff am April 1, 2026, [https://github.com/zheng95z/fun-with-computer-graphics](https://github.com/zheng95z/fun-with-computer-graphics)  
+
+14. A Brief Survey of Clipping and Intersection Algorithms with a List of References (including Triangle-Triangle Intersections) | Informatica, Zugriff am April 1, 2026, [https://informatica.vu.lt/journal/INFORMATICA/article/1283](https://informatica.vu.lt/journal/INFORMATICA/article/1283)  
+
+15. Fourth Edition \- Real-Time Rendering Resources, Zugriff am April 1, 2026, [https://www.realtimerendering.com/Real-Time\_Rendering\_4th-TOC\_Preface\_Intro\_Bib\_Index.pdf](https://www.realtimerendering.com/Real-Time_Rendering_4th-TOC_Preface_Intro_Bib_Index.pdf)  
+
+16. Good Computer Graphics textbook? : r/GraphicsProgramming \- Reddit, Zugriff am April 1, 2026, [https://www.reddit.com/r/GraphicsProgramming/comments/3s0kvr/good\_computer\_graphics\_textbook/](https://www.reddit.com/r/GraphicsProgramming/comments/3s0kvr/good_computer_graphics_textbook/)  
+
+17. Physically Based Rendering, fourth edition: From Theory to Implementation \- Matthew Pharr, Wenzel Jakob, Greg Humphreys \- Google Books, Zugriff am April 1, 2026, [https://books.google.com/books/about/Physically\_Based\_Rendering\_fourth\_editio.html?id=ENSMEAAAQBAJ](https://books.google.com/books/about/Physically_Based_Rendering_fourth_editio.html?id=ENSMEAAAQBAJ)  
+
+18. Physically Based Rendering: From Theory to Implementation, Zugriff am April 1, 2026, [https://pbr-book.org/](https://pbr-book.org/)  
+
+19. Real-Time Rendering Graphics Books Page, Zugriff am April 1, 2026, [https://www.realtimerendering.com/books.html](https://www.realtimerendering.com/books.html)  
+
+20. Physically Based Rendering: From Theory to Implementation (3rd Edition) | RGL, Zugriff am April 1, 2026, [https://rgl.epfl.ch/publications/PBRT3e](https://rgl.epfl.ch/publications/PBRT3e)  
+
+21. Polygon Mesh Processing Mario Botsch Et \- Al 2010 PDF \- Scribd, Zugriff am April 1, 2026, [https://www.scribd.com/doc/310908882/Polygon-Mesh-Processing-Mario-Botsch-et-al-2010-pdf](https://www.scribd.com/doc/310908882/Polygon-Mesh-Processing-Mario-Botsch-et-al-2010-pdf)  
+
+22. Parametric & Implicit Surfaces \- cs.Princeton, Zugriff am April 1, 2026, [https://www.cs.princeton.edu/courses/archive/spr07/cos426/lectures/surface.pdf](https://www.cs.princeton.edu/courses/archive/spr07/cos426/lectures/surface.pdf)  
+
+23. Implicit and Parametric Surfaces, Zugriff am April 1, 2026, [https://people.computing.clemson.edu/\~dhouse/courses/405/notes/implicit-parametric.pdf](https://people.computing.clemson.edu/~dhouse/courses/405/notes/implicit-parametric.pdf)  
+
+24. Implicit Surfaces for Geometric Modeling and Computer Graphics \- CGVR, Zugriff am April 1, 2026, [https://cgvr.cs.uni-bremen.de/teaching/cg\_literatur/implicit\_surfaces\_siggraph96\_course.pdf](https://cgvr.cs.uni-bremen.de/teaching/cg_literatur/implicit_surfaces_siggraph96_course.pdf)  
+
+25. Computer Graphics: Principles and Practice, Zugriff am April 1, 2026, [https://cgisutic.wordpress.com/wp-content/uploads/2016/07/computer\_graphics\_principles\_and\_practice.pdf](https://cgisutic.wordpress.com/wp-content/uploads/2016/07/computer_graphics_principles_and_practice.pdf)  
+
+26. Computer Graphics: Principles and Practice, Zugriff am April 1, 2026, [https://api.pageplace.de/preview/DT0400.9780133373707\_A23602794/preview-9780133373707\_A23602794.pdf](https://api.pageplace.de/preview/DT0400.9780133373707_A23602794/preview-9780133373707_A23602794.pdf)  
+
+27. Polygon Mesh Processing | Request PDF \- ResearchGate, Zugriff am April 1, 2026, [https://www.researchgate.net/publication/280851471\_Polygon\_Mesh\_Processing](https://www.researchgate.net/publication/280851471_Polygon_Mesh_Processing)  
+
+28. Tutorial \- Polygon Mesh Processing Library, Zugriff am April 1, 2026, [https://www.pmp-library.org/tutorial.html](https://www.pmp-library.org/tutorial.html)  
+
+29. Polygon Mesh Processing: User Manual \- CGAL 6.1.1, Zugriff am April 1, 2026, [https://doc.cgal.org/latest/Polygon\_mesh\_processing/index.html](https://doc.cgal.org/latest/Polygon_mesh_processing/index.html)  
+
+30. Polygon Mesh Processing, Zugriff am April 1, 2026, [https://www.nzdr.ru/data/media/biblio/kolxoz/Cs/CsCg/Botsch%20M.,%20et%20al.%20Polygon%20mesh%20processing%20(AK%20Peters,%202010)(ISBN%201568814267)(C)(O)(243s)\_CsCg\_.pdf](https://www.nzdr.ru/data/media/biblio/kolxoz/Cs/CsCg/Botsch%20M.,%20et%20al.%20Polygon%20mesh%20processing%20\(AK%20Peters,%202010\)\(ISBN%201568814267\)\(C\)\(O\)\(243s\)_CsCg_.pdf)  
+
+31. Practical quad mesh simplification, Zugriff am April 1, 2026, [https://cims.nyu.edu/gcl/papers/EG2010-TarPieCigetall.pdf](https://cims.nyu.edu/gcl/papers/EG2010-TarPieCigetall.pdf)  
+
+32. Guide to Computational Geometry Processing: Foundations, Algorithms, and Methods \[2012 ed.\] 1447140745, 9781447140740, Zugriff am April 1, 2026, [https://dokumen.pub/guide-to-computational-geometry-processing-foundations-algorithms-and-methods-2012nbsped-1447140745-9781447140740.html](https://dokumen.pub/guide-to-computational-geometry-processing-foundations-algorithms-and-methods-2012nbsped-1447140745-9781447140740.html)  
+
+33. Lecture 04 Subdivision Surfaces, Zugriff am April 1, 2026, [https://www.cs.rpi.edu/\~cutler/classes/advancedgraphics/S23/lectures/04\_subdivision\_surfaces.pdf](https://www.cs.rpi.edu/~cutler/classes/advancedgraphics/S23/lectures/04_subdivision_surfaces.pdf)  
+
+34. Synergistic Geometry Processing: from Robust Geometric Modeling to Scalable Physical Simulation, Zugriff am April 1, 2026, [https://cs.nyu.edu/media/publications/Zhongshi\_Jiang-compressed.pdf](https://cs.nyu.edu/media/publications/Zhongshi_Jiang-compressed.pdf)  
+
+35. Catmull–Clark subdivision surface \- Wikipedia, Zugriff am April 1, 2026, [https://en.wikipedia.org/wiki/Catmull%E2%80%93Clark\_subdivision\_surface](https://en.wikipedia.org/wiki/Catmull%E2%80%93Clark_subdivision_surface)  
+
+36. Recursively generated B-spline surfaces on arbitrary topological meshes \- People @EECS, Zugriff am April 1, 2026, [https://people.eecs.berkeley.edu/\~sequin/CS284/PAPERS/CatmullClark\_SDSurf.pdf](https://people.eecs.berkeley.edu/~sequin/CS284/PAPERS/CatmullClark_SDSurf.pdf)  
+
+37. 3D Surface Subdivision Methods: Bibliography \- CGAL 6.1.1 \- Manual, Zugriff am April 1, 2026, [https://doc.cgal.org/latest/Subdivision\_method\_3/citelist.html](https://doc.cgal.org/latest/Subdivision_method_3/citelist.html)  
+
+38. Catmull, E. and Clark, J. (1978) Recursively Generated B-Spline Surfaces on Arbitrary Topological Meshes. Computer-Aided Design, 10, 350-355. \- References \- Scientific Research Publishing, Zugriff am April 1, 2026, [https://www.scirp.org/reference/referencespapers?referenceid=2688344](https://www.scirp.org/reference/referencespapers?referenceid=2688344)  
+
+39. Subdivision Surfaces, Zugriff am April 1, 2026, [https://web.eecs.umich.edu/\~sugih/courses/eecs487/lectures/39-B-splineSubdivision.pdf](https://web.eecs.umich.edu/~sugih/courses/eecs487/lectures/39-B-splineSubdivision.pdf)  
+
+40. Tuned Ternary Quad Subdivision \- University of Florida, Zugriff am April 1, 2026, [https://www.cise.ufl.edu/research/SurfLab/seminar/ternary.pdf](https://www.cise.ufl.edu/research/SurfLab/seminar/ternary.pdf)  
+
+41. Catmull-Clark Subdivision Surfaces: \- Computer Science \- University of Kentucky, Zugriff am April 1, 2026, [https://www.cs.engr.uky.edu/\~cheng/PUBL/Book\_CCSS.pdf](https://www.cs.engr.uky.edu/~cheng/PUBL/Book_CCSS.pdf)  
+
+42. a method for analysis of c1-continuity of subdivision surfaces \- NYU Courant Institute of Mathematical Sciences, Zugriff am April 1, 2026, [https://cims.nyu.edu/gcl/papers/zorin2000mac.pdf](https://cims.nyu.edu/gcl/papers/zorin2000mac.pdf)  
+
+43. Bicubic Splines for Fast-Contracting Control Nets \- MDPI, Zugriff am April 1, 2026, [https://www.mdpi.com/2075-1680/13/6/390](https://www.mdpi.com/2075-1680/13/6/390)  
+
+44. Subdivision Shading for Catmull-Clark and Loop Subdivision Surfaces with Semi-Sharp Creases \- MDPI, Zugriff am April 1, 2026, [https://www.mdpi.com/2073-431X/12/4/85](https://www.mdpi.com/2073-431X/12/4/85)  
+
+45. Subdivision Surface Theory \- Game Developer, Zugriff am April 1, 2026, [https://www.gamedeveloper.com/programming/subdivision-surface-theory](https://www.gamedeveloper.com/programming/subdivision-surface-theory)  
+
+46. Subdivision Surfaces in Character Animation \- CMU School of Computer Science, Zugriff am April 1, 2026, [https://www.cs.cmu.edu/afs/cs/academic/class/15456-s13/Handouts/derose98.pdf](https://www.cs.cmu.edu/afs/cs/academic/class/15456-s13/Handouts/derose98.pdf)  
+
+47. Feature Adaptive GPU Rendering of Catmull-Clark Subdivision Surfaces \- Matthias Niessner, Zugriff am April 1, 2026, [https://niessnerlab.org/papers/2012/3feature/niessner2012feature.pdf](https://niessnerlab.org/papers/2012/3feature/niessner2012feature.pdf)  
+
+48. \[PDF\] Subdivision surfaces in character animation \- Semantic Scholar, Zugriff am April 1, 2026, [https://www.semanticscholar.org/paper/Subdivision-surfaces-in-character-animation-DeRose-Kass/c57c6c20b78f246ab6ee1b40be411ba18f405e11](https://www.semanticscholar.org/paper/Subdivision-surfaces-in-character-animation-DeRose-Kass/c57c6c20b78f246ab6ee1b40be411ba18f405e11)  
+
+49. (PDF) Direct-Manipulation Blendshapes \- ResearchGate, Zugriff am April 1, 2026, [https://www.researchgate.net/publication/45281798\_Direct-Manipulation\_Blendshapes](https://www.researchgate.net/publication/45281798_Direct-Manipulation_Blendshapes)  
+
+50. Practice and Theory of Blendshape Facial Models \- JP Lewis, Zugriff am April 1, 2026, [https://www.scribblethink.org/Work/Pdfs/blendshapes\_MAIN.pdf](https://www.scribblethink.org/Work/Pdfs/blendshapes_MAIN.pdf)  
+
+51. Practice and Theory of Blendshape Facial Models, Zugriff am April 1, 2026, [http://graphics.cs.uh.edu/wp-content/papers/2014/2014-EG-blendshape\_STAR.pdf](http://graphics.cs.uh.edu/wp-content/papers/2014/2014-EG-blendshape_STAR.pdf)  
+
+52. Morph target animation \- Wikipedia, Zugriff am April 1, 2026, [https://en.wikipedia.org/wiki/Morph\_target\_animation](https://en.wikipedia.org/wiki/Morph_target_animation)  
+
+53. Best way to create complex morph targets / blendshapes? : r/3Dmodeling \- Reddit, Zugriff am April 1, 2026, [https://www.reddit.com/r/3Dmodeling/comments/1aq2upz/best\_way\_to\_create\_complex\_morph\_targets/](https://www.reddit.com/r/3Dmodeling/comments/1aq2upz/best_way_to_create_complex_morph_targets/)  
+
+54. Emotion estimation from video footage with LSTM \- Frontiers, Zugriff am April 1, 2026, [https://www.frontiersin.org/journals/neurorobotics/articles/10.3389/fnbot.2025.1678984/full](https://www.frontiersin.org/journals/neurorobotics/articles/10.3389/fnbot.2025.1678984/full)  
+
+55. Blend Shapes (Morph Targets) \- AWS, Zugriff am April 1, 2026, [https://aniworx.s3.eu-central-1.amazonaws.com/materials/en/pdf/aniworx-STEM\_4.04-Blend-Shapes-en.pdf](https://aniworx.s3.eu-central-1.amazonaws.com/materials/en/pdf/aniworx-STEM_4.04-Blend-Shapes-en.pdf)  
+
+56. UV Mapping | Request PDF \- ResearchGate, Zugriff am April 1, 2026, [https://www.researchgate.net/publication/389119413\_UV\_Mapping](https://www.researchgate.net/publication/389119413_UV_Mapping)  
+
+57. UV mapping \- Wikipedia, Zugriff am April 1, 2026, [https://en.wikipedia.org/wiki/UV\_mapping](https://en.wikipedia.org/wiki/UV_mapping)  
+
+58. UV mapping explained \- What is UV unwrapping & how does it work? \- Danthree Studio, Zugriff am April 1, 2026, [https://www.danthree.studio/en/glossary/uv-mapping](https://www.danthree.studio/en/glossary/uv-mapping)  
+
+59. What Is UV Mapping? A Complete Guide for 3D Texturing | Virtuall Blog, Zugriff am April 1, 2026, [https://virtuall.pro/blog-posts/what-is-uv-mapping](https://virtuall.pro/blog-posts/what-is-uv-mapping)  
+
+60. Texture Mapping, Zugriff am April 1, 2026, [https://www.cs.cornell.edu/courses/cs465/2007fa/stuff/14texmap\_F07.pdf](https://www.cs.cornell.edu/courses/cs465/2007fa/stuff/14texmap_F07.pdf)  
+
+61. Texture mapping, Zugriff am April 1, 2026, [https://www.cs.cornell.edu/courses/cs465/2005fa/lectures/13texture/13texture.pdf](https://www.cs.cornell.edu/courses/cs465/2005fa/lectures/13texture/13texture.pdf)  
+
+62. Volume-Encoded UV-Maps \- project page, Zugriff am April 1, 2026, [https://vcg.isti.cnr.it/volume-encoded-uv-maps/](https://vcg.isti.cnr.it/volume-encoded-uv-maps/)
+
+# Claude: CG concepts and sources for synthetic eye image generation
+
+  
+
+This reference guide provides textbook-level definitions, correct terminology, and verified bibliographic citations for seven core computer graphics concepts relevant to a master's thesis on synthetic eye image generation with Blender. **Botsch et al.'s *Polygon Mesh Processing*** and **Hughes et al.'s *Computer Graphics: Principles and Practice* (3rd ed.)** together cover most of the ground needed, supplemented by a handful of seminal papers.
+
+  
+
+---
+
+  
+
+## 1. Rendering: computing a 2D image from a 3D scene
+
+  
+
+**Rendering** is the process of generating a two-dimensional image from a three-dimensional scene description that includes geometry, materials, light sources, and a virtual camera. The term encompasses all algorithmic approaches — from rasterization to ray tracing — that transform a mathematical model of a scene into a discrete pixel image. Every major CG textbook uses essentially this definition; Hughes et al. describe it as "the making of pictures [of shapes]."
+
+  
+
+**Recommended citation:**
+
+  
+
+> Hughes, J. F., van Dam, A., McGuire, M., Sklar, D. F., Foley, J. D., Feiner, S. K., and Akeley, K. *Computer Graphics: Principles and Practice*. 3rd edition. Addison-Wesley, 2014. ISBN 978-0-321-39952-6.
+
+  
+
+---
+
+  
+
+## 2. Path tracing solves the rendering equation; rasterization projects and shades
+
+  
+
+### Path tracing (physically based rendering)
+
+  
+
+Path tracing is a rendering algorithm that uses **Monte Carlo integration** to numerically solve the **rendering equation** formulated by Kajiya in 1986. It traces stochastic light paths from the camera through the scene, sampling random bounces at surfaces, so that global illumination effects — indirect lighting, caustics, color bleeding, soft shadows — emerge naturally as consequences of the physics simulation. The algorithm is **unbiased**: it converges to the mathematically correct image as the number of samples increases. Blender's Cycles renderer is a path tracer.
+
+  
+
+### Rasterization (real-time pipeline)
+
+  
+
+Rasterization is an **object-order** rendering approach that projects 3D primitives (typically triangles) onto the 2D image plane and then shades the covered pixels using local illumination models. Implemented in hardware on GPUs, the pipeline proceeds through vertex processing, primitive assembly, rasterization, fragment shading, and framebuffer output. It is extremely fast and dominates real-time applications (games, VR, interactive viewers) but does not natively simulate global illumination — effects like reflections, ambient occlusion, and indirect light require additional approximation techniques. Blender's EEVEE renderer is rasterization-based.
+
+  
+
+### Seminal paper for the rendering equation
+
+  
+
+> Kajiya, J. T. "The Rendering Equation." In *Proceedings of the 13th Annual Conference on Computer Graphics and Interactive Techniques (SIGGRAPH '86)*, pp. 143–150. ACM, 1986. DOI: 10.1145/15922.15902.
+
+  
+
+### Recommended citations for path tracing and rasterization
+
+  
+
+> Pharr, M., Jakob, W., and Humphreys, G. *Physically Based Rendering: From Theory to Implementation*. 4th edition. The MIT Press, 2023. ISBN 978-0-262-04802-6.
+
+  
+
+> Akenine-Möller, T., Haines, E., Hoffman, N., Pesce, A., Iwanicki, M., and Hillaire, S. *Real-Time Rendering*. 4th edition. A K Peters/CRC Press, 2018. ISBN 978-1-138-62700-0.
+
+  
+
+### Which single textbook for rendering fundamentals?
+
+  
+
+| Book | Current ed. | Year | Best for | Verdict |
+
+|------|-------------|------|----------|---------|
+
+| Pharr, Jakob, Humphreys — *Physically Based Rendering* | **4th** | 2023 | Path tracing, Monte Carlo methods, PBR theory | Definitive for physically based rendering; weak on rasterization |
+
+| Hughes, van Dam et al. — *Computer Graphics: Principles and Practice* | **3rd** | 2014 | Broadest coverage: rasterization *and* ray tracing, rendering equation, GPU pipeline | **Best single reference** — covers both paradigms |
+
+| Akenine-Möller, Haines, Hoffman — *Real-Time Rendering* | **4th** | 2018 | Rasterization, GPU pipeline, real-time techniques | Definitive for real-time; lighter on offline path tracing theory |
+
+| Foley, van Dam, Feiner, Hughes — *CG: Principles and Practice* | 2nd in C | 1995 | Historical reference only | **Outdated** — predates modern GPUs and PBR; do not use as primary source |
+
+  
+
+**Recommendation:** Use **Hughes et al. (3rd ed., 2014)** as the general-purpose rendering reference. Supplement with **Pharr et al. (4th ed., 2023)** for path tracing specifics since the thesis uses Blender's Cycles, and optionally with **Akenine-Möller et al. (4th ed., 2018)** if EEVEE is also discussed.
+
+  
+
+---
+
+  
+
+## 3. Parametric surfaces offer control; implicit surfaces handle topology
+
+  
+
+**Parametric surfaces** are defined by an explicit mapping from a 2D parameter domain into 3D space: **S(u, v) = (x(u,v), y(u,v), z(u,v))**. Examples include Bézier patches, B-spline surfaces, and NURBS. They offer intuitive design via control points, easy tessellation and rendering (evaluate over a grid), and a natural parameterization for texture mapping. Their main weakness is topological rigidity: tensor-product patches are inherently rectangular, and representing surfaces of arbitrary topology requires stitching multiple patches with difficult trimming.
+
+  
+
+**Implicit surfaces** are defined as the zero-set of a scalar function: **f(x, y, z) = 0**. They naturally support inside/outside testing (sign of *f*), CSG operations (via min/max of functions), and topology changes (merging, splitting). However, they lack an inherent parameterization (making texturing difficult), are harder to render directly (requiring marching cubes or sphere tracing), and offer less intuitive geometric control.
+
+  
+
+**Recommended citation:**
+
+  
+
+> Botsch, M., Kobbelt, L., Pauly, M., Alliez, P., and Lévy, B. *Polygon Mesh Processing*. A K Peters/CRC Press, 2010. ISBN 978-1-56881-426-1. — Chapter 1 ("Surface Representations") covers parametric surfaces (§1.3), implicit surfaces (§1.4), and conversions between them (§1.5).
+
+  
+
+---
+
+  
+
+## 4. Polygon meshes, topology, and quad-dominant modeling
+
+  
+
+A **polygon mesh** (or polygonal mesh) approximates a surface using a set of flat polygonal faces. The three fundamental elements are **vertices** (points in 3D space), **edges** (line segments connecting two vertices), and **faces** (planar polygons bounded by edges — typically triangles or quadrilaterals). **Mesh topology** refers to the connectivity structure of the mesh — how vertices, edges, and faces are adjacently related — independent of the actual vertex positions (geometry). Two meshes can share the same topology yet have entirely different shapes.
+
+  
+
+**Quad-dominant meshes** use predominantly quadrilateral faces with a small number of triangles or n-gons where topological necessity demands it. They are strongly preferred in character modeling and subdivision surface workflows because quads align naturally with Catmull-Clark subdivision and produce cleaner edge-flow along anatomical features. An **extraordinary vertex** (also called an irregular vertex) is a vertex whose **valence** (number of incident edges) deviates from the regular value — **valence ≠ 4** in a quad mesh, or **valence ≠ 6** in a triangle mesh. Extraordinary vertices are topologically necessary for surfaces of non-trivial genus but reduce the smoothness of subdivision limit surfaces to **C¹** at those points.
+
+  
+
+**Recommended citation:**
+
+  
+
+> Botsch, M., Kobbelt, L., Pauly, M., Alliez, P., and Lévy, B. *Polygon Mesh Processing*. A K Peters/CRC Press, 2010. ISBN 978-1-56881-426-1. — Chapter 1 (surface representations and mesh definitions), Chapter 2 (mesh data structures and connectivity/topology), Chapter 6 §6.6 (quad-dominant remeshing).
+
+  
+
+**Yes, this book is an excellent source** for polygon mesh topics. It is concise (230 pages), well-structured, and widely cited in the geometry processing community.
+
+  
+
+---
+
+  
+
+## 5. Subdivision surfaces smooth a coarse mesh to a limit surface
+
+  
+
+### Core idea
+
+  
+
+A **subdivision surface** is generated by starting with a coarse **control mesh** and applying a recursive refinement process: each step splits faces, inserts new vertices, and repositions existing vertices according to fixed averaging rules. The sequence of increasingly refined meshes converges to a smooth **limit surface** that approximates (but does not interpolate) the original control mesh. This approach generalizes classical spline surface theory to meshes of **arbitrary topology**.
+
+  
+
+### The Catmull-Clark algorithm
+
+  
+
+The **Catmull-Clark subdivision scheme** operates on quad-dominant meshes. After one subdivision step, all faces become quadrilaterals. The rules compute new **face points** (average of face vertices), **edge points** (average of adjacent face points and edge endpoints), and updated **vertex points** (weighted combination of neighboring face points, edge midpoints, and original position). The limit surface is equivalent to a **bicubic uniform B-spline surface** in regions of regular connectivity.
+
+  
+
+**Continuity properties (verified):** The Catmull-Clark limit surface is **C² continuous at regular vertices** (valence 4) and **C¹ continuous at extraordinary vertices** (valence ≠ 4). This was rigorously proven through eigenanalysis of the subdivision matrix by Peters and Reif.
+
+  
+
+**Original paper:**
+
+  
+
+> Catmull, E. and Clark, J. "Recursively Generated B-Spline Surfaces on Arbitrary Topological Meshes." *Computer-Aided Design*, Vol. 10, No. 6, pp. 350–355, November 1978.
+
+  
+
+**Continuity proof reference:**
+
+  
+
+> Peters, J. and Reif, U. *Subdivision Surfaces*. Geometry and Computing, Vol. 3. Springer, Berlin, 2008. ISBN 978-3-540-76405-2.
+
+  
+
+### Edge creases and semi-sharp creases
+
+  
+
+The correct technical terms are **creases** (infinitely sharp edges producing C⁰ tangent discontinuities in the limit surface) and **semi-sharp creases** (edges with a finite sharpness parameter that controls the transition from sharp to smooth). A semi-sharp crease with sharpness *s* applies the sharp subdivision rule for *s* iterations before switching to the standard smooth rule; fractional values are handled by linear blending. This mechanism allows artists to model fillets and bevels without adding geometry.
+
+  
+
+Infinitely sharp creases were introduced by Hoppe et al. (1994); the **semi-sharp crease** extension was developed at Pixar and first used in the short film *Geri's Game*.
+
+  
+
+**Key citations:**
+
+  
+
+> DeRose, T., Kass, M., and Truong, T. "Subdivision Surfaces in Character Animation." In *Proceedings of the 25th Annual Conference on Computer Graphics and Interactive Techniques (SIGGRAPH '98)*, pp. 85–94. ACM, 1998.
+
+  
+
+> Hoppe, H., DeRose, T., Duchamp, T., Halstead, M., Jin, H., McDonald, J., Schweitzer, J., and Stuetzle, W. "Piecewise Smooth Surface Reconstruction." In *Proceedings of SIGGRAPH 1994*, pp. 295–302. ACM, 1994.
+
+  
+
+---
+
+  
+
+## 6. Blend shapes linearly combine per-vertex offsets
+
+  
+
+The concept known as **Shape Keys** in Blender is called **morph targets** in game engines (Unreal Engine, Unity, glTF specification) and **blend shapes** in animation software (Maya, film production pipelines). The academic literature most commonly uses **blend shapes** or **blendshape model**. All terms refer to the same technique.
+
+  
+
+The core principle is straightforward. A **base mesh** b₀ defines the neutral shape. Each **target shape** bₖ stores a complete set of vertex positions (or equivalently, **per-vertex displacement offsets** Δₖ = bₖ − b₀). The deformed mesh is computed as **f = b₀ + Σ wₖΔₖ**, where the scalar weights wₖ ∈ [0, 1] control how strongly each target contributes. Multiple targets combine **additively** through **linear interpolation**, enabling complex expressions or deformations from a manageable set of basis shapes. The technique originated in the film and game industry during the 1970s–1980s and was first explored in Fred Parke's pioneering facial animation work at the University of Utah.
+
+  
+
+**Primary recommended citation (definitive survey):**
+
+  
+
+> Lewis, J. P., Anjyo, K., Rhee, T., Zhang, M., Pighin, F., and Deng, Z. "Practice and Theory of Blendshape Facial Models." In *Eurographics 2014 — State of the Art Reports* (S. Lefebvre and M. Spagnuolo, Eds.), pp. 199–218. The Eurographics Association, 2014. DOI: 10.2312/egst.20141042.
+
+  
+
+This STAR report provides the standard mathematical formulation, traces the full history of the technique, and clarifies the terminology variants. It is the ideal single citation for a thesis.
+
+  
+
+**Historical origin:**
+
+  
+
+> Parke, F. I. "Computer Generated Animation of Faces." In *Proceedings of the ACM Annual Conference*, Vol. 1, pp. 451–457. ACM, 1972.
+
+  
+
+---
+
+  
+
+## 7. UV mapping parameterizes a 3D surface onto 2D texture space
+
+  
+
+**UV mapping** is the process of establishing a **2D parameterization** of a 3D surface: each point on the surface is assigned coordinates (u, v) that map it to a position in a flat 2D domain (texture space). The letters U and V denote the axes of this 2D space to distinguish them from X, Y, Z in 3D. This parameterization enables 2D textures — color maps, normal maps, roughness maps — to be "wrapped" onto arbitrary 3D geometry. The mathematical challenge lies in minimizing **distortion** (angle distortion and area distortion) when flattening an inherently curved surface into a plane, which is the domain of **surface parameterization** theory.
+
+  
+
+**Recommended citation:**
+
+  
+
+> Botsch, M., Kobbelt, L., Pauly, M., Alliez, P., and Lévy, B. *Polygon Mesh Processing*. A K Peters/CRC Press, 2010. ISBN 978-1-56881-426-1. — Chapter 5 ("Parameterization") covers barycentric mapping, conformal mapping, and distortion-minimizing parameterization methods.
+
+  
+
+For a more applied/rendering-oriented perspective on texture coordinate assignment, also see Hughes et al. (2014), Chapter 20 ("Textures and Texture Mapping").
+
+  
+
+---
+
+  
+
+## Botsch et al. as a unified reference across topics
+
+  
+
+The following table summarizes which of the seven thesis concepts are covered by *Polygon Mesh Processing* (Botsch et al., 2010):
+
+  
+
+| Concept | Covered? | Location |
+
+|---------|----------|----------|
+
+| Parametric vs. implicit surfaces | ✅ Yes | Ch. 1, §1.3–1.5 |
+
+| Polygon meshes (vertex, edge, face) | ✅ Yes | Ch. 1–2 |
+
+| Mesh topology and data structures | ✅ Yes | Ch. 2 |
+
+| Quad-dominant remeshing | ✅ Yes | Ch. 6, §6.6 |
+
+| UV mapping / surface parameterization | ✅ Yes | Ch. 5 |
+
+| Subdivision surfaces | ⚠️ Limited | Mentioned but not a dedicated chapter |
+
+| Rendering / path tracing / rasterization | ❌ No | Out of scope |
+
+| Blend shapes / morph targets | ❌ No | Out of scope |
+
+  
+
+**Botsch et al. serves as an excellent unified reference for five of the seven concepts** (surfaces, meshes, topology, quads, UV mapping). For subdivision surfaces in depth, supplement with the original Catmull & Clark (1978) paper and Peters & Reif (2008). For rendering, use Hughes et al. (2014) and/or Pharr et al. (2023). For blend shapes, use Lewis et al. (2014).
+
+  
+
+---
+
+  
+
+## Conclusion: a compact citation set for the thesis
+
+  
+
+A thesis on synthetic eye image generation with Blender can cover all seven concepts with a focused set of **six core references**:
+
+  
+
+- **Hughes et al. (2014)** — general CG and rendering fundamentals (rendering definition, rasterization, path tracing overview)
+
+- **Pharr, Jakob, Humphreys (2023)** — physically based rendering and path tracing specifics (relevant to Cycles)
+
+- **Botsch et al. (2010)** — polygon meshes, topology, surface representations, UV mapping/parameterization
+
+- **Catmull and Clark (1978)** — original subdivision surface algorithm
+
+- **DeRose, Kass, Truong (1998)** — semi-sharp creases in subdivision surfaces
+
+- **Lewis et al. (2014)** — blend shapes / morph targets (definitive survey)
+
+  
+
+Additional references such as **Kajiya (1986)** for the rendering equation, **Peters and Reif (2008)** for subdivision continuity proofs, and **Akenine-Möller et al. (2018)** for real-time rendering specifics can be added as needed. This compact set provides authoritative, citable coverage of every concept while avoiding redundancy.
--- a/Prewrite/2.
+++ b/Prewrite/2.
@@ -0,0 +1,825 @@
+# Gemini: **Methodologische Grundlagen der Evaluation von Deep-Learning-Architekturen: Statistische Signifikanz und Leistungsmetriken in der synthetischen Pupillensegmentierung**
+
+  
+
+## **Einführung in die formale Modellevaluation und Architekturparadigmen**
+
+  
+
+Die fortschreitende Entwicklung im Bereich der Computer Vision, insbesondere bei der Verarbeitung medizinischer und biometrischer Bilddaten, hat die Notwendigkeit robuster, methodisch einwandfreier Evaluationsstrategien drastisch erhöht. In der modernen Bildverarbeitung, speziell bei der Entwicklung von tiefen neuronalen Netzen (Deep Learning) für hochspezialisierte Aufgaben wie die YOLO-basierte Pupillensegmentierung in synthetischen Augenbildern, ist die methodische Strenge der Evaluierung von absolut kritischer Bedeutung. Die Leistungsfähigkeit von Deep-Learning-Architekturen unterliegt inhärenten stochastischen Schwankungen, die durch zufällige Gewichtsinitialisierungen, den stochastischen Gradientenabstieg während der Optimierung und die endliche Größe der Validierungs- und Testdatensätze bedingt sind.1 Um verlässliche wissenschaftliche Aussagen über den tatsächlichen Erkenntnisgewinn eines neuen Ansatzes – beispielsweise den Nutzen synthetischer Trainingsdaten zur Überwindung des sogenannten Sim-to-Real-Gaps – treffen zu können, reicht ein reiner, oberflächlicher Vergleich von Mittelwerten nicht aus. Vielmehr bedarf es einer rigorosen statistischen Absicherung sowie der sorgfältigen Auswahl von Evaluationsmetriken, die das Problem des Klassenungleichgewichts (Class Imbalance) in der Pixelklassifikation mathematisch korrekt adressieren.  
+
+Dieser Bericht liefert eine tiefgreifende, akademisch fundierte Ausarbeitung der essenziellen statistischen Methoden, der Architekturgrundlagen und der Evaluationsmetriken. Er dient als theoretisches Fundament und liefert präzise Definitionen, mathematische Formulierungen sowie die kanonischen Standardquellen, die den aktuellen Stand der Forschung in der Informatik und angewandten Statistik repräsentieren. Die Integration von klassischen statistischen Verfahren mit modernen Deep-Learning-Evaluationsansätzen stellt sicher, dass die gewonnenen Erkenntnisse über die Segmentierungsleistung nicht auf stochastischem Rauschen basieren, sondern statistisch signifikante Verbesserungen darstellen.
+
+  
+
+## **Architektonische Grundlagen des maschinellen Lernens in der Bildverarbeitung**
+
+  
+
+Bevor die Metriken und statistischen Testverfahren zur Bewertung von Modellen im Detail erörtert werden, ist es unabdingbar, die grundlegenden Mechanismen der zugrundeliegenden Architekturen zu definieren. Die semantische Extraktion von Merkmalen aus Bilddaten hat in den letzten Jahrzehnten einen Paradigmenwechsel durchlaufen, der durch spezifische Netzwerkarchitekturen getrieben wurde.
+
+  
+
+### **Convolutional Neural Networks (CNNs)**
+
+  
+
+Convolutional Neural Networks (Faltungsneuronale Netze) stellen das unangefochtene Rückgrat nahezu aller modernen Computer-Vision-Systeme dar. Sie revolutionierten die maschinelle Bildverarbeitung durch die Einführung von Faltungsoperationen, die lokale räumliche Abhängigkeiten in multidimensionalen Datenstrukturen erfassen.2 Im Gegensatz zu vollvernetzten mehrlagigen Perzeptrons (Multilayer Perceptrons), bei denen jedes Neuron der Folgeschicht mit jedem Neuron der vorherigen Schicht verbunden ist, nutzen CNNs das Prinzip des Weight Sharing (Gewichtsteilung) und der lokalen rezeptiven Felder.1 Ein Faltungskernel gleitet über das Eingabebild und berechnet Skalarprodukte, wodurch hierarchische Merkmalskarten (Feature Maps) entstehen. Dies reduziert die Anzahl der zu lernenden Parameter drastisch und verleiht dem Netzwerk eine translationale Äquivarianz – die Fähigkeit, ein Muster (wie die Kante einer Pupille) unabhängig von seiner exakten räumlichen Position im Bild zu erkennen.  
+
+In der akademischen Literatur wird die Etablierung dieser gradientenbasierten Lernmethoden für Dokumenten- und Bilderkennung historisch auf das wegweisende Paper von Yann LeCun und Kollegen zurückgeführt. Diese Publikation formalisierte die Architektur, die heute als LeNet bekannt ist, und bewies die Effizienz von Backpropagation in Faltungsnetzen.2 Die korrekte und vollständige bibliographische Referenz für diesen Meilenstein lautet: LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). "Gradient-Based Learning Applied to Document Recognition." *Proceedings of the IEEE*, 86(11), 2278-2324.3 Für die moderne, umfassende mathematische und konzeptionelle Definition von CNNs in der gegenwärtigen Deep-Learning-Forschung wird hingegen standardmäßig das von Ian Goodfellow, Yoshua Bengio und Aaron Courville verfasste Lehrbuch zitiert, welches als das definitive Standardwerk des Fachgebiets gilt.5 Die entsprechende Referenz lautet: Goodfellow, I., Bengio, Y., & Courville, A. (2016). *Deep Learning*. MIT Press.7
+
+  
+
+### **YOLO als Konzept der Objekterkennung**
+
+  
+
+Während klassische CNNs primär für die Bildklassifikation entwickelt wurden, erfordert die Lokalisierung von Objekten in einem Bild komplexere Ansätze. Vor der Einführung von YOLO (You Only Look Once) basierten hochpräzise Objekterkennungsmodelle in der Regel auf mehrstufigen Pipelines, wie der R-CNN-Familie.8 Diese älteren Architekturen generierten zunächst in einem separaten Schritt Tausende von potenziellen Regionenvorschlägen (Region Proposals) und wandten anschließend einen Klassifikator auf jeden dieser Vorschläge an.9 Dieser Prozess war rechnerisch extrem aufwendig und verhinderte Echtzeitanwendungen.  
+
+YOLO re-konzeptualisierte die Objekterkennung drastisch als ein einziges, zusammenhängendes Regressionsproblem.8 Anstatt das Bild in iterativen Schritten zu analysieren, betrachtet das YOLO-Netzwerk das gesamte Bild exakt ein einziges Mal (daher der Name). Das Eingabebild wird in ein feines, räumliches Gitter (Grid) unterteilt. Jede Gitterzelle ist simultan dafür verantwortlich, sowohl Bounding Boxes (inklusive der Konfidenzwerte für die Objektpräsenz) als auch die klassenspezifischen Wahrscheinlichkeiten vorherzusagen.8 Dieser unifizierte Ansatz ermöglichte erstmals eine End-to-End-Optimierung direkt auf die Erkennungsleistung und erreichte beispiellose Inferenzgeschwindigkeiten in Echtzeit.8 Die korrekte bibliographische Angabe für das grundlegende YOLOv1-Paper lautet: Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). "You Only Look Once: Unified, Real-Time Object Detection." *Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)*, pp. 779-788.8
+
+  
+
+### **Abgrenzung von Segmentierungsparadigmen**
+
+  
+
+In komplexen Bildverarbeitungsszenarien, wie beispielsweise binokularen Aufnahmen von Augen oder Szenarien mit mehreren verdeckten Objekten, ist die exakte Begriffsabgrenzung der Segmentierungstypen entscheidend für das Architekturdesign und die Wahl der Evaluationsmetrik.12 Die Segmentierung geht weit über die bloße Bounding-Box-Erkennung von YOLO hinaus und strebt eine pixelgenaue Klassifikation an.  
+
+Die semantische Segmentierung weist jedem einzelnen Pixel im Bild ein bestimmtes Klassenlabel zu (beispielsweise "Pupille", "Iris", "Sklera" oder "Hintergrund").12 Der entscheidende Aspekt hierbei ist, dass alle Objekte, die zur selben semantischen Klasse gehören, als eine einzige, zusammenhängende Entität behandelt werden. Das Modell unterscheidet nicht zwischen mehreren individuellen Objekten derselben Klasse; befinden sich zwei Pupillen im Bild, werden die entsprechenden Pixel lediglich der Klasse "Pupille" zugeordnet, ohne zu spezifizieren, zu welchem Auge sie gehören.13  
+
+Die Instanzsegmentierung hingegen kombiniert die Konzepte der Objekterkennung mit denen der semantischen Segmentierung.12 Sie identifiziert nicht nur die zugehörige semantische Klasse eines Pixels, sondern trennt und kennzeichnet diskrete, einzelne Objekte derselben Klasse voneinander.13 In diesem Paradigma würden "Pupille 1" und "Pupille 2" unterschiedliche, eindeutige Instanz-Identifikatoren (IDs) erhalten, selbst wenn sie überlappen würden.12 Für ein allgemeines Grundlagenkapitel, das diese Begriffe im Rahmen von Deep Learning definiert, ist ein hochzitiertes Survey-Paper die ideale Referenz: Garcia-Garcia, A., Orts-Escolano, S., Oprea, S., Villena-Martinez, V., & Garcia-Rodriguez, J. (2017). "A Review on Deep Learning Techniques Applied to Semantic Segmentation." *arXiv preprint arXiv:1704.06857*.15 Sollte der Fokus noch spezifischer auf den architektonischen Unterschieden zur Instanzsegmentierung liegen, ist das Grundlagenpaper zu Mask R-CNN von He et al. (2017) die kanonische Quelle, in dem die begrifflichen Unterschiede formell exakt abgrenzt werden.12
+
+  
+
+| Eigenschaft | Semantische Segmentierung | Instanzsegmentierung |
+
+| :---- | :---- | :---- |
+
+| **Zielsetzung** | Pixelweise Klassifikation nach Objektart | Pixelweise Unterscheidung individueller Objekte |
+
+| **Behandlung gleicher Klassen** | Gruppiert alle Pixel derselben Klasse (z.B. alle Pupillen) | Weist jedem Einzelobjekt eine eindeutige ID zu |
+
+| **Umgang mit Überlappung** | Pixel gehören nur zur Klasse, keine Trennung möglich | Löst Überlappungen durch individuelle Instanz-Masken auf |
+
+| **Klassische Architekturen** | Fully Convolutional Networks (FCN), U-Net | Mask R-CNN, YOLO-Seg |
+
+| **Referenzquellen** | Garcia-Garcia et al. (2017) | He et al. (2017) |
+
+  
+
+### **Datenmanagement: Train-, Validation- und Test-Split**
+
+  
+
+Um das Phänomen des Overfittings (Überanpassung) zu vermeiden und die Generalisierungsfähigkeit des Modells – besonders beim Transferlernen von rein synthetischen auf reale Augendaten – statistisch sicherzustellen, muss der verfügbare Datensatz strikt in separierte Teilmengen untergliedert werden.6 Das Modell lernt seine internen Parameter (die Gewichte der Faltungsfilter) ausschließlich auf den Trainingsdaten.6 Da tiefe neuronale Netze jedoch eine enorme Modellkapazität besitzen, können sie Trainingsdaten schlicht auswendig lernen, was zu einer hervorragenden Leistung auf dem Trainingsset, aber zum völligen Versagen bei neuen Daten führt.6  
+
+Aus diesem Grund wird ein Validierungsdatensatz (Validation Set) benötigt. Dieser dient der iterativen Optimierung der Hyperparameter (wie Learning Rate, Batch-Größe oder der Epochenanzahl für das Early Stopping).6 Das Validierungsset liefert ein unvoreingenommenes Feedback über die Generalisierung während des Trainingsprozesses. Da jedoch die Hyperparameter aktiv auf die Leistung des Validierungssets abgestimmt werden, "leckt" indirekt Information aus diesem Datensatz in das Modell.18 Daher wird das Modell final und absolut unverfälscht ausschließlich ein einziges Mal auf den unabhängigen Testdaten evaluiert, um den wahren Generalisierungsfehler zu schätzen.6 Als Standardlehrbuch für dieses essenzielle Konzept der maschinellen Lernpraxis dient erneut das Werk von Goodfellow et al.: Goodfellow, I., Bengio, Y., & Courville, A. (2016). *Deep Learning*. MIT Press. Die detaillierte theoretische Begründung findet sich dort spezifisch in Kapitel 5\.1 Ergänzend kann für eine noch tiefergehende statistische Betrachtung des Bias-Variance-Tradeoffs auf Hastie, T., Tibshirani, R., & Friedman, J. (2009). *The Elements of Statistical Learning* (2nd ed.). Springer, verwiesen werden.5
+
+  
+
+## **Evaluationsmetriken in der Segmentierung und das Accuracy-Paradoxon**
+
+  
+
+Die qualitative und quantitative Bewertung von Vorhersagemasken, die von Modellen wie YOLO generiert werden, ist der Kern der methodischen Evaluation. Segmentierungsaufgaben, wie das Extrahieren einer Pupille aus einem hochauflösenden Augenbild, erfordern räumliche Metriken, die die Pixelübereinstimmung präzise messen und gleichzeitig Resilienz gegenüber den spezifischen statistischen Verteilungen von Bilddaten aufweisen.
+
+  
+
+### **Räumliche Definition der Verwirrungsmatrix**
+
+  
+
+Um Segmentierungsmetriken mathematisch zu definieren, muss das Problem der Objektextraktion auf die einfachste Ebene heruntergebrochen werden: Es handelt sich um eine pixelweise binäre Klassifikationsaufgabe (Klasse 1: Pupille vs. Klasse 0: Hintergrund). Die klassische Verwirrungsmatrix (Confusion Matrix) wird dabei räumlich auf die Bildpixel projiziert.22 In binären Segmentierungsmasken werden die Vorhersagen des Modells iterativ, Pixel für Pixel, mit der von menschlichen Annotatoren erstellten Ground-Truth-Maske verglichen.24  
+
+Daraus ergeben sich vier fundamentale Mengen:
+
+  
+
+* **True Positives (TP):** Dies sind die Pixel, die sowohl in der Ground-Truth-Referenz als auch in der Modellvorhersage korrekt als Vordergrund (Pupille) markiert sind. Sie bilden die tatsächliche Schnittmenge der Erkennung.22  
+
+* **True Negatives (TN):** Dies sind die Pixel, die das Modell korrekt als Hintergrund identifiziert hat und die auch in der Realität Hintergrund sind. In Augenbildern umfasst dies typischerweise die Sklera, die Haut und Wimpern.  
+
+* **False Positives (FP):** Dies sind Pixel, die das Modell fälschlicherweise als Vordergrund (Pupille) klassifiziert hat, obwohl sie in der Ground-Truth zum Hintergrund gehören. Dies entspricht einer Übersegmentierung (Over-segmentation) oder einem Fehlalarm ("False Alarms").22  
+
+* **False Negatives (FN):** Dies sind die Pixel des wahren Vordergrunds, die das Modell verpasst und fälschlicherweise dem Hintergrund zugeordnet hat. Dies stellt eine Untersegmentierung (Under-segmentation) oder ein Verpassen des Objekts ("Misses") dar.22
+
+  
+
+Eine konzeptionelle geometrische Repräsentation verdeutlicht dies: Die True Positives bilden die exakte Schnittmenge zwischen der Vorhersage und der Ground-Truth-Maske. Die False Positives manifestieren sich als der Bereich der Vorhersage, der über die Ground-Truth hinausragt, während die False Negatives den Bereich der Ground-Truth darstellen, der von der Vorhersage nicht abgedeckt wurde. Die True Negatives hingegen dominieren als gewaltige Hintergrundfläche das restliche Bild, weshalb sie in robusten Metriken wie IoU und Dice, die den Fokus auf das kleine Zielobjekt legen, systematisch ignoriert werden.
+
+  
+
+### **Das Genauigkeits-Paradoxon (Accuracy Paradox) bei Klassenungleichgewicht**
+
+  
+
+Es liegt nahe, die Leistung eines Modells durch die simple Metrik der Genauigkeit (Accuracy) zu bewerten. Diese berechnet sich als der Anteil aller korrekten Vorhersagen an der Gesamtzahl der Pixel: $\\frac{TP \+ TN}{TP \+ TN \+ FP \+ FN}$.26 In der Praxis der medizinischen und biometrischen Bildverarbeitung ist dieser Ansatz jedoch fatal.  
+
+In typischen Augenbildern nimmt die Pupille oft nur einen verschwindend geringen Bruchteil der gesamten Bildfläche ein (beispielsweise $1\\%$ bis $5\\%$), wodurch ein massives Klassenungleichgewicht (Class Imbalance) zugunsten der Hintergrundklasse entsteht.28 Ein völlig triviales, dysfunktionales Modell (ein sogenannter "No-Skill Classifier"), das blind und ignorant *jedes* Pixel im Bild als "Hintergrund" klassifiziert, würde in einem solchen Szenario, in dem die Pupille $1\\%$ der Fläche ausmacht, eine beeindruckende Accuracy von $99\\%$ erreichen.27  
+
+Die Accuracy-Metrik wird bei extrem unbalancierten Datensätzen mathematisch fast ausschließlich durch die gigantische Menge der Mehrheitsklasse (True Negatives) dominiert.28 Sie maskiert somit das völlige Versagen des Modells bei der Erkennung der eigentlich kritischen, aber kleinen Minderheitsklasse (der Pupille). Dieses Phänomen ist in der Literatur als Accuracy Paradoxon bekannt und macht die Genauigkeit zu einer hochgradig irreführenden Metrik für Segmentierungsaufgaben.27 Eine exzellente und in der Forschungsliteratur standardmäßig zitierte Quelle für das Argument, warum Accuracy bei Imbalanced Data versagt und alternative Metriken zwingend erforderlich sind, ist das Paper von He und Garcia: He, H., & Garcia, E. A. (2009). "Learning from Imbalanced Data." *IEEE Transactions on Knowledge and Data Engineering*, 21(9), 1263-1284.31
+
+  
+
+### **Intersection over Union (IoU) und der Jaccard-Index**
+
+  
+
+Um das Genauigkeits-Paradoxon zu umgehen, bedient sich die Computer Vision räumlicher Überlappungsmetriken, die True Negatives vollständig aus der Berechnung ausschließen. Die Intersection over Union (IoU) hat sich hierbei als die De-facto-Standardmetrik zur Evaluierung räumlicher Übereinstimmungen in Objekterkennungs- und Segmentierungsarchitekturen etabliert.24  
+
+Der IoU, mathematisch formalisiert als Jaccard-Index, quantifiziert die Ähnlichkeit und Diversität zweier Mengen durch das Verhältnis ihrer Schnittmenge (Intersection) zu ihrer Vereinigungsmenge (Union).34 In der Bildsegmentierung teilt der IoU die Anzahl der korrekt vorhergesagten Pixel (Schnittmenge) durch die Gesamtanzahl aller Pixel, die entweder in der Ground-Truth oder in der Vorhersage als Vordergrund markiert sind.22  
+
+Die mathematische Formulierung lautet:
+
+  
+
+$$IoU \= \\frac{|A \\cap B|}{|A \\cup B|} \= \\frac{TP}{TP \+ FP \+ FN}$$  
+
+22  
+
+Diese Metrik weist die hochgradig vorteilhafte Eigenschaft der Skaleninvarianz auf. Sie bewertet die Qualität der Segmentierung unabhängig von der absoluten Größe des Objekts im Bild, da die Überlappung stets relativ zur Gesamtfläche der beteiligten Masken betrachtet wird.24 Ein Wert von $1.0$ indiziert eine perfekte Übereinstimmung, während $0.0$ anzeigt, dass sich Vorhersage und Ground-Truth in keinem einzigen Pixel überschneiden. Da die gewaltige Anzahl der Hintergrundpixel (TN) in der Formel nicht auftaucht, bleibt der IoU auch bei winzigen Pupillen in extrem hochauflösenden Bildern eine schonungslose und verlässliche Metrik für die Leistung des Modells.35  
+
+Hinsichtlich der Zitierfähigkeit existieren zwei komplementäre Ansätze, die den Ursprung und die moderne Anwendung abdecken: Als originäre Quelle, die den mathematischen Ursprung des Indexes als universelles Ähnlichkeitsmaß der Mengenlehre (ursprünglich in der Botanik zur Analyse der alpinen Flora) definiert, dient das Paper von Paul Jaccard: Jaccard, P. (1912). "The Distribution of the Flora in the Alpine Zone." *New Phytologist*, 11(2), 37-50.34 Für die moderne Einordnung in der Bildverarbeitung und medizinischen Segmentierung ist das Survey-Paper von Taha und Hanbury eine hervorragende und völlig ausreichende Referenz, um die Wahl des IoU für 3D- und 2D-Segmentierungsaufgaben zu rechtfertigen: Taha, A. A., & Hanbury, A. (2015). "Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool." *BMC Medical Imaging*, 15(1), 29\.39
+
+  
+
+### **Der Dice-Koeffizient und seine Beziehung zum F1-Score**
+
+  
+
+Neben dem IoU ist der Dice-Koeffizient (auch Sørensen-Dice-Koeffizient genannt) die zweite essenzielle Metrik in der Segmentierungsliteratur. Er korreliert stark mit dem IoU, gewichtet jedoch die True Positives in der Berechnung anders, was zu subtilen, aber wichtigen Unterschieden in der Bewertung führt.35  
+
+Der Dice-Koeffizient ist ein Ähnlichkeitsmaß, das den Überlappungsgrad zweier Stichproben bewertet, indem es die doppelte Schnittmenge durch die Summe der Elemente beider Mengen teilt.23 Die mathematische Formulierung lautet:
+
+  
+
+$$Dice \= \\frac{2 \\cdot |A \\cap B|}{|A| \+ |B|} \= \\frac{2 \\cdot TP}{(TP \+ FP) \+ (TP \+ FN)} \= \\frac{2 \\cdot TP}{2 \\cdot TP \+ FP \+ FN}$$  
+
+23  
+
+Im speziellen Kontext der binären Klassifikation (und somit bei der pixelweisen Erstellung binärer Segmentierungsmasken für eine einzelne Klasse wie die Pupille) ist der Dice-Koeffizient mathematisch absolut identisch mit dem F1-Score.32 Der F1-Score ist definiert als das harmonische Mittel aus Precision ($\\frac{TP}{TP+FP}$) und Recall ($\\frac{TP}{TP+FN}$). Setzt man diese beiden Terme in die Formel des harmonischen Mittels ein, kürzt sich der Ausdruck exakt zu $\\frac{2TP}{2TP \+ FP \+ FN}$, was den Beweis der Äquivalenz liefert.23  
+
+Die Originalpublikation, die diese Metrik in die Wissenschaft einführte, ist durch Lee R. Dice verfasst worden und stellt die kanonische Zitierquelle dar: Dice, L. R. (1945). "Measures of the Amount of Ecologic Association Between Species." *Ecology*, 26(3), 297-302.41  
+
+Der Dice-Koeffizient und der IoU messen prinzipiell dieselbe räumliche Überlappung, verhalten sich monoton zueinander und lassen sich durch einfache algebraische Umformungen direkt ineinander überführen.40 Die Transformation vom IoU zum Dice-Koeffizienten lautet:
+
+  
+
+$$Dice \= \\frac{2 \\cdot IoU}{1 \+ IoU}$$  
+
+23  
+
+Diese nicht-lineare mathematische Beziehung hat gravierende praktische Implikationen für die Interpretation von Forschungsergebnissen. Da der IoU in seinem Nenner die Schnittmenge subtrahiert (um Doppelzählungen der Vereinigung zu vermeiden), bestraft er räumliche Abweichungen, False Positives und False Negatives signifikant härter als der Dice-Koeffizient.35 Daraus folgt ein axiomatischer Zusammenhang: Der berechnete Dice-Wert für eine gegebene Vorhersage fällt (mit Ausnahme der absoluten Ränder bei exakt $0.0$ und $1.0$) stets numerisch höher aus als der korrespondierende IoU-Wert.40
+
+  
+
+![][image1]
+
+  
+
+In der Deep-Learning-Praxis, insbesondere beim Training von Architekturtypen wie U-Net oder YOLO, wird der Dice-Koeffizient häufig invertiert als Verlustfunktion (Dice Loss \= $1 \- Dice$) verwendet. Dies liegt daran, dass der Dice Loss differenzierbar angenähert werden kann und durch die Inklusion sowohl von False Positives als auch False Negatives im Nenner bei extrem unbalancierten Klassen (wie sehr kleinen Pupillen) deutlich gutmütigere und stabilere Gradienten für die Backpropagation liefert als die klassische binäre Kreuzentropie (Binary Cross Entropy).40
+
+  
+
+## **Statistische Methoden für den Modellvergleich und die Inferenz**
+
+  
+
+Nachdem ein Segmentierungsmodell trainiert und auf einem unabhängigen Testdatensatz evaluiert wurde, resultiert daraus eine Verteilung von Leistungsmetriken (wie IoU-Werten) für jedes einzelne Bild. Ein zentrales Problem der Deep-Learning-Forschung ist, dass viele Arbeiten lediglich den arithmetischen Mittelwert (Mean IoU) berichten, ohne die statistische Signifikanz der Ergebnisse zu prüfen.  
+
+Leistungsmetriken in der Bildsegmentierung sind strikt im Intervall $$ beschränkt und weisen in der Praxis fast immer eine starke Links- oder Rechtsschiefe auf. Ein robustes Modell erreicht bei den meisten Bildern exzellente Werte nahe $1.0$, versagt jedoch bei einigen wenigen Ausreißern (beispielsweise durch starke Verdeckung der Pupille durch Wimpern oder extreme Lichtreflexionen) komplett und generiert Werte nahe $0.0$. Diese Eigenschaften verletzen die grundlegende mathematische Normalverteilungsannahme parametrischer Tests (wie des gepaarten t-Tests) signifikant.46 Die empirische Verteilung der Fehlerterme zwingt den Forscher dazu, verteilungsfreie (nichtparametrische) Verfahren für Hypothesentests sowie fortgeschrittene Resampling-Methoden für die Berechnung von Konfidenzintervallen anzuwenden.
+
+  
+
+### **Der Wilcoxon-Vorzeichen-Rang-Test (Wilcoxon Signed-Rank Test)**
+
+  
+
+Der von Frank Wilcoxon 1945 eingeführte Vorzeichen-Rang-Test ist das verteilungsfreie, nichtparametrische Äquivalent zum klassischen gepaarten t-Test.46 Er bewertet, ob zwei verbundene Stichproben aus derselben Grundgesamtheit stammen, indem er nicht nur die Vorzeichen der Differenzen zwischen den gepaarten Beobachtungen analysiert, sondern auch deren absolute Größe in Form von Rängen berücksichtigt.46  
+
+Dieses Verfahren eignet sich konzeptionell ideal, um die Performance zweier konkurrierender Modelle (beispielsweise ein Baseline-YOLO-Modell im Vergleich zu einem YOLO-Modell, das zusätzlich mit synthetischen Augenbildern trainiert wurde) auf exakt demselben Testdatensatz bildweise zu vergleichen. Da die Evaluierung beider Modelle auf denselben Bildern stattfindet, sind die Ergebnisse inhärent gepaart. Der Test ordnet den absoluten Differenzen der Metriken zweier gepaarter Messreihen Ränge zu und versieht diese anschließend wieder mit dem Vorzeichen der ursprünglichen Differenz.46 Durch diese Rangtransformation wird das Verfahren extrem robust gegenüber starken Ausreißern (kompletten Segmentierungsfehlern auf einzelnen Bildern), die den Mittelwert bei einem t-Test unverhältnismäßig verzerren würden.46  
+
+**Formulierung der Nullhypothese ($H\_0$):** Die formale Nullhypothese ($H\_0$) des Wilcoxon-Vorzeichen-Rang-Tests besagt, dass der Median der Differenzen zwischen den gepaarten Stichproben gleich null ist ($m\_D \= 0$). Äquivalent und präziser formuliert lautet die Nullhypothese, dass die Verteilung der Differenzen $D\_i \= X\_i \- Y\_i$ symmetrisch um den Wert null liegt.46 Die entsprechende Alternativhypothese ($H\_A$) für einen zweiseitigen Test besagt, dass der Median der Differenzen ungleich null ist, was statistisch belegt, dass eines der beiden Modelle systematisch bessere Metriken liefert als das andere.46  
+
+**Voraussetzungen für die Anwendbarkeit:**  
+
+Der Test kommt unter folgenden drei strikten Prämissen zur Anwendung, die ihn für die Segmentierungsevaluation prädestinieren:
+
+  
+
+1. **Gepaarte Stichproben (Abhängigkeit):** Die Datenpaare müssen zwingend von denselben Untersuchungsobjekten stammen. Im Kontext der Masterarbeit bedeutet dies, dass der IoU-Score von Modell A und Modell B auf demselben Testbild $i$ berechnet wird, um ein gültiges Paar zu bilden.46  
+
+2. **Keine Normalverteilungsannahme:** Die Differenzen der Paare müssen nicht aus einer normalverteilten Grundgesamtheit stammen, weshalb der Test bei stark schiefen Segmentierungsmetriken das Mittel der Wahl ist, wenn parametrische Verfahren scheitern.46  
+
+3. **Symmetrie der Differenzverteilung:** Für eine reine Interpretation des Tests als Test auf den wahren Location-Parameter (den Median) wird theoretisch angenommen, dass die Verteilung der Differenzen symmetrisch ist (auch wenn sie nicht normalverteilt ist).49 Ist diese Symmetrieannahme verletzt, behält der Test dennoch seine Gültigkeit, testet dann jedoch allgemeiner auf stochastische Homogenität (Exchangeability) der Verteilungen.
+
+  
+
+**Unterschied zum Wilcoxon-Rangsummentest (Mann-Whitney-U-Test):** Die Terminologie der nichtparametrischen Verfahren führt in der Praxis oft zu Verwirrungen, da die Namen ähnlich sind. Der wesentliche konzeptionelle und mathematische Unterschied liegt in der Natur der Abhängigkeit der Stichproben: Der **Wilcoxon-Vorzeichen-Rang-Test** (Signed-Rank Test) wird ausschließlich für **abhängige beziehungsweise gepaarte** Stichproben verwendet.46 Er berechnet die Differenz innerhalb jedes Paares. Der **Wilcoxon-Rangsummentest**, der in der Fachliteratur synonym und sehr häufig als **Mann-Whitney-U-Test** bezeichnet wird, ist hingegen für den Vergleich von **unabhängigen beziehungsweise ungepaarten** Stichproben konzipiert.47 Er würde angewendet werden, wenn man die Leistung eines Modells auf Testdatensatz A mit der Leistung auf einem völlig anderen, unabhängigen Testdatensatz B vergleichen möchte. In diesem Fall gibt es keine Paare, weshalb alle Beobachtungen beider Gruppen gepoolt und gemeinsam in eine Rangreihe gebracht werden.48
+
+  
+
+| Merkmal | Wilcoxon-Vorzeichen-Rang-Test | Wilcoxon-Rangsummentest (Mann-Whitney-U) |
+
+| :---- | :---- | :---- |
+
+| **Abhängigkeit** | **Gepaarte** Stichproben (abhängig) | **Unabhängige** Stichproben (ungepaart) |
+
+| **Parametrisches Äquivalent** | Gepaarter t-Test | Unabhängiger Zweistichproben-t-Test |
+
+| **Vorgehen bei Rängen** | Ränge basieren auf absoluten Differenzen innerhalb der Paare | Ränge basieren auf gepoolten Originalwerten beider Gruppen |
+
+| **Anwendungsbeispiel Segmentierung** | Vergleich zweier Modelle auf demselben Datensatz (Bild für Bild) | Vergleich der Modellleistung auf zwei unterschiedlichen Datensätzen |
+
+  
+
+**Zitierbare Referenzen:**  
+
+Für eine Masterarbeit im Bereich Informatik oder Statistik ist die Referenzierung fundierter Lehrbücher für derartige Tests zwingend. Beide nachfolgenden Werke sind absolute Standardwerke und in der akademischen Literatur uneingeschränkt zitierfähig:
+
+  
+
+* *Hollander, M., Wolfe, D. A., & Chicken, E. (2014). Nonparametric Statistical Methods (3rd ed.). John Wiley & Sons.* Dieses Buch ist ein dediziertes, tiefgreifendes Standardwerk für verteilungsfreie Methoden, das detailliert in Formeln und theoretischen Herleitungen ist und den Test umfassend abhandelt.47  
+
+* *Sheskin, D. J. (2020). Handbook of Parametric and Nonparametric Statistical Procedures (5th ed.). Chapman and Hall/CRC.* Dies ist ein exzellentes Handbuch, das den Test präzise als "Test 6" (bzw. "Test 4" in früheren Auflagen) definiert, die Nullhypothese detailliert aufschlüsselt und exzellente Begründungen für die Wahl des Tests liefert.53
+
+  
+
+### **BCa-Bootstrap-Konfidenzintervalle (Bias-Corrected and Accelerated)**
+
+  
+
+Während Hypothesentests wie der Wilcoxon-Test eine binäre Entscheidung über die Signifikanz eines Unterschieds liefern, sind Konfidenzintervalle für die wissenschaftliche Berichterstattung oft von übergeordnetem Wert. Sie quantifizieren die Unsicherheit eines Punktschätzers (wie des aggregierten Mean IoU oder Mean Dice Scores) auf dem Testdatensatz. In der Deep-Learning-Forschung wird typischerweise nur ein einziger Testdatensatz zur finalen Evaluierung herangezogen. Da die zugrundeliegende Verteilung der Metriken wie dargelegt unbekannt und schief ist, scheitern klassische analytische Formeln zur Berechnung des Standardfehlers. Um dennoch ein valides Konfidenzintervall zu berechnen, ohne unrealistische parametrische Verteilungsannahmen zu treffen, ist das statistische Bootstrapping unerlässlich.57  
+
+**Das Konzept des Bootstrapping:** Bootstrapping ist ein iteratives, computergestütztes, nichtparametrisches Resampling-Verfahren zur empirischen Schätzung von Stichprobenverteilungen.57 Anstatt abstrakte Parameter aus theoretischen Verteilungen (wie der Glockenkurve der Normalverteilung) abzuleiten, nutzt das Verfahren die vorhandenen Daten selbst als Schätzung der Grundgesamtheit. Das Kernprinzip besteht darin, durch $B$-maliges (wobei $B$ typischerweise $1000$ bis $10000$ beträgt) zufälliges Ziehen *mit Zurücklegen* aus dem Originaldatensatz eine große Anzahl an künstlichen "Bootstrap-Stichproben" zu generieren.57 Wichtig ist, dass jede Bootstrap-Stichprobe exakt dieselbe Größe aufweist wie der Originaldatensatz.57 Durch das Ziehen mit Zurücklegen werden in einer Bootstrap-Stichprobe einige Originalbilder mehrfach auftauchen, während andere fehlen. Für jede dieser $B$ künstlichen Stichproben wird der interessierende Parameter (beispielsweise der durchschnittliche Dice-Score über den Datensatz) neu berechnet. Die resultierende Verteilung dieser $B$ Schätzwerte bildet die empirische Bootstrap-Verteilung des Schätzers, aus der Varianz und Konfidenzintervalle abgeleitet werden können.58  
+
+**Die Notwendigkeit der Bias-Korrektur und Beschleunigung (BCa):** Das einfachste Vorgehen, das sogenannte Perzentil-Bootstrap, ermittelt ein Konfidenzintervall (z.B. ein $95\\%$-Intervall), indem es schlicht die Werte an den empirischen Quantilen (hier das $2{,}5\\%$- und $97{,}5\\%$-Perzentil) der geordneten Bootstrap-Verteilung abgreift.58 Dieses naive Vorgehen nimmt jedoch implizit an, dass der Schätzer völlig unverzerrt (unbiased) ist und dass eine (theoretische) Transformation existiert, welche die Verteilung symmetrisch macht und deren Varianz unabhängig vom Parameter selbst ist. Bei den hochkomplexen Verteilungen von neuronalen Netzen, insbesondere bei begrenzten Metriken wie dem IoU, ist dies fast nie der Fall, was beim einfachen Perzentil-Bootstrap zu gravierenden Problemen mit Überabdeckung (Overcoverage) oder Unterabdeckung führt.59  
+
+Das **Bias-Corrected and Accelerated (BCa)**\-Verfahren korrigiert diese beiden wesentlichen Mängel mathematisch fundiert und liefert extrem präzise Intervalle:
+
+  
+
+1. **Bias-Korrektur ($\\hat{z}\_0$):** Das Verfahren misst systematische mediane Verzerrungen der Bootstrap-Verteilung. Es berechnet den Anteil der generierten Bootstrap-Schätzwerte, die strikt kleiner als der Punktschätzer auf dem Originaldatensatz sind. Ist dieser Anteil ungleich $50\\%$, liegt ein Bias vor. Ein aus der inversen Standardnormalverteilung ($\\Phi^{-1}$) abgeleiteter Faktor $\\hat{z}\_0$ quantifiziert und korrigiert diese systematische Verschiebung.59  
+
+2. **Acceleration (Beschleunigung, $\\hat{a}$):** Die Varianz eines Schätzers ist oft nicht konstant, sondern ändert sich in Abhängigkeit vom wahren Parameterwert (Schiefe). Der Beschleunigungsfaktor $\\hat{a}$ modelliert exakt diese Rate der Veränderung des Standardfehlers. Er wird üblicherweise über ein analytisches Jackknife-Verfahren berechnet. Das Jackknife ist ein Resampling-Verfahren ohne Zurücklegen, bei dem iterativ ("leave-one-out") exakt eine Beobachtung aus dem Datensatz entfernt wird, um den Einfluss einzelner Datenpunkte auf die Varianzschätzung zu ermitteln.59
+
+  
+
+Durch die mathematische Einbeziehung der Faktoren $\\hat{z}\_0$ und $\\hat{a}$ verschiebt und skaliert das BCa-Verfahren die abzugreifenden Perzentile der Bootstrap-Verteilung dynamisch. Anstatt stumpf bei $2{,}5\\%$ und $97{,}5\\%$ abzugreifen, werden die Indizes auf Basis von Bias und Skewness angepasst, was zu weitaus reliableren, asymmetrischen und exakteren Konfidenzintervallen führt, selbst bei starker Schiefe der Metriken und sehr kleinen Teststichproben.59  
+
+**Standardquelle für BCa-Konfidenzintervalle:** Obwohl Bradley Efron das Konzept des BCa-Bootstraps in einem Paper aus dem Jahr 1987 erstmals vorstellte 59, ist das von ihm und Robert Tibshirani verfasste Lehrbuch aus dem Jahr 1993 das unangefochtene, weltweit anerkannte Standardwerk der Statistik, das die Methodik in der Breite etablierte und umfassend mathematisch erklärt.58 Es ist die von der Fachwelt absolut präferierte Zitierquelle für die anwendungsorientierte Begründung der Methode in Forschungsarbeiten.  
+
+Die korrekte, vollständige bibliographische Angabe lautet: *Efron, B., & Tibshirani, R. J. (1993). An Introduction to the Bootstrap. Chapman & Hall/CRC.* 58
+
+  
+
+## **Synthese der methodischen Evaluation**
+
+  
+
+Für den methodischen Aufbau einer Masterarbeit im Bereich der automatisierten Bildsegmentierung bildet das präzise Zusammenspiel dieser erörterten Komponenten ein extrem robustes und unangreifbares wissenschaftliches Gerüst. Durch die bewusste Entscheidung gegen die irreführende Accuracy und den systematischen Einsatz von **IoU** 34 und dem **Dice-Koeffizient** 23 wird garantiert, dass die Segmentierungsleistung am marginalen Zielobjekt (der Pupille) objektiv und skaleninvariant bewertet wird, ohne vom dominierenden Bildhintergrund verfälscht zu werden.  
+
+Durch die Anwendung des **Wilcoxon-Vorzeichen-Rang-Tests** 46 wird dem Umstand Rechnung getragen, dass die resultierenden Fehlerverteilungen durch ihre Begrenzung auf das Intervall $$ stark von der Normalverteilung abweichen. Dieses nichtparametrische Verfahren erlaubt einen fairen, ausreißerresistenten Vergleich konkurrierender Modelle. Die zusätzliche Flankierung dieser Signifikanztests durch **BCa-Bootstrapping** 59 zur Ermittlung von Konfidenzintervallen sichert die Ergebnisse statistisch extrem hochwertig ab. Diese Kombination aus spezialisierten Computervision-Metriken und fortgeschrittenen Resampling-Statistiken stellt sicher, dass jede identifizierte Verbesserung der Architektur – etwa durch die Einbeziehung synthetischer Augenbilder – auf echten methodischen Fortschritten beruht und nicht das Artefakt unzureichender Evaluationstechniken darstellt.
+
+  
+
+#### **Referenzen**
+
+  
+
+1. www.deeplearningbook.org, Zugriff am April 1, 2026, [https://www.deeplearningbook.org/contents/mlp.html](https://www.deeplearningbook.org/contents/mlp.html)  
+
+2. Gradient-Based Learning Applied to Document Recognition, Zugriff am April 1, 2026, [https://www.iro.umontreal.ca/\~lisa/pointeurs/ieeeproc98.ps](https://www.iro.umontreal.ca/~lisa/pointeurs/ieeeproc98.ps)  
+
+3. LeCun, Y., Bottou, L., Bengio, Y., Haffner, P., et al. (1998) Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86, 2278-2324. \- References \- SCIRP, Zugriff am April 1, 2026, [https://www.scirp.org/reference/referencespapers?referenceid=2571019](https://www.scirp.org/reference/referencespapers?referenceid=2571019)  
+
+4. (PDF) Gradient-Based Learning Applied to Document Recognition \- ResearchGate, Zugriff am April 1, 2026, [https://www.researchgate.net/publication/2985446\_Gradient-Based\_Learning\_Applied\_to\_Document\_Recognition](https://www.researchgate.net/publication/2985446_Gradient-Based_Learning_Applied_to_Document_Recognition)  
+
+5. Textbooks — Applied Data Analysis and Machine Learning, Zugriff am April 1, 2026, [https://compphysics.github.io/MachineLearning/doc/LectureNotes/\_build/html/textbooks.html](https://compphysics.github.io/MachineLearning/doc/LectureNotes/_build/html/textbooks.html)  
+
+6. Deep Learning \- GitHub, Zugriff am April 1, 2026, [https://raw.githubusercontent.com/JDwangmo/deepLearningBook/master/book/deeplearning-%E5%B8%A6%E5%8F%82%E8%80%83%E6%96%87%E7%8C%AE.pdf](https://raw.githubusercontent.com/JDwangmo/deepLearningBook/master/book/deeplearning-%E5%B8%A6%E5%8F%82%E8%80%83%E6%96%87%E7%8C%AE.pdf)  
+
+7. Deep+Learning+Ian+Goodfellow.pdf \- AIKosh, Zugriff am April 1, 2026, [https://aikosh.indiaai.gov.in/static/Deep+Learning+Ian+Goodfellow.pdf](https://aikosh.indiaai.gov.in/static/Deep+Learning+Ian+Goodfellow.pdf)  
+
+8. You Only Look Once: Unified, Real-Time Object Detection | Request PDF \- ResearchGate, Zugriff am April 1, 2026, [https://www.researchgate.net/publication/278049038\_You\_Only\_Look\_Once\_Unified\_Real-Time\_Object\_Detection](https://www.researchgate.net/publication/278049038_You_Only_Look_Once_Unified_Real-Time_Object_Detection)  
+
+9. You Only Look Once: Unified, Real-Time Object Detection \- The Computer Vision Foundation, Zugriff am April 1, 2026, [https://www.cv-foundation.org/openaccess/content\_cvpr\_2016/papers/Redmon\_You\_Only\_Look\_CVPR\_2016\_paper.pdf](https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf)  
+
+10. Redmon, J., Divvala, S., Girshick, R., et al. (2016) You Only Look Once Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, 27-30 June 2016, 779-788. \- References \- Scirp.org., Zugriff am April 1, 2026, [https://www.scirp.org/reference/referencespapers?referenceid=3532601](https://www.scirp.org/reference/referencespapers?referenceid=3532601)  
+
+11. You Only Look Once: Unified, Real-Time Object Detection, Zugriff am April 1, 2026, [https://oamonitor.ireland.openaire.eu/rfo/sfi\_rfo/search/publication?pid=10.1109%2Fcvpr.2016.91](https://oamonitor.ireland.openaire.eu/rfo/sfi_rfo/search/publication?pid=10.1109/cvpr.2016.91)  
+
+12. Mask R-CNN, Zugriff am April 1, 2026, [https://arxiv.org/abs/1703.06870](https://arxiv.org/abs/1703.06870)  
+
+13. Semantic vs Instance vs Panoptic: Which Image Segmentation Technique To Choose?, Zugriff am April 1, 2026, [https://www.labellerr.com/blog/semantic-vs-instance-vs-panoptic-which-image-segmentation-technique-to-choose/](https://www.labellerr.com/blog/semantic-vs-instance-vs-panoptic-which-image-segmentation-technique-to-choose/)  
+
+14. Semantic vs instance vs panoptic segmentation | by Abhishek Jain \- Medium, Zugriff am April 1, 2026, [https://medium.com/@abhishekjainindore24/semantic-vs-instance-vs-panoptic-segmentation-b1f5023da39f](https://medium.com/@abhishekjainindore24/semantic-vs-instance-vs-panoptic-segmentation-b1f5023da39f)  
+
+15. A Review on Deep Learning Techniques Applied to Semantic Segmentation | alphaXiv, Zugriff am April 1, 2026, [https://www.alphaxiv.org/overview/1704.06857](https://www.alphaxiv.org/overview/1704.06857)  
+
+16. A Review on Deep Learning Techniques Applied to Semantic Segmentation \- arXiv, Zugriff am April 1, 2026, [https://arxiv.org/abs/1704.06857](https://arxiv.org/abs/1704.06857)  
+
+17. A Review on Deep Learning Techniques Applied to Semantic Segmentation. \- SciSpace, Zugriff am April 1, 2026, [https://scispace.com/papers/a-review-on-deep-learning-techniques-applied-to-semantic-1e39t2or5p?citations\_page=195](https://scispace.com/papers/a-review-on-deep-learning-techniques-applied-to-semantic-1e39t2or5p?citations_page=195)  
+
+18. Improving the Validation and Test Split \- Chang Hsin Lee, Zugriff am April 1, 2026, [https://changhsinlee.com/better-validation-test/](https://changhsinlee.com/better-validation-test/)  
+
+19. Best Practices for Deep Learning for Science \- Argonne Leadership Computing Facility, Zugriff am April 1, 2026, [https://www.alcf.anl.gov/files/BestPracticesScientificDL\_Bethany-Bethany%20Lusch.pdf](https://www.alcf.anl.gov/files/BestPracticesScientificDL_Bethany-Bethany%20Lusch.pdf)  
+
+20. Notes on Goodfellow's "Deep Learning" Textbook \- David Stutz, Zugriff am April 1, 2026, [https://davidstutz.de/notes-on-goodfellows-deep-learning-textbook/](https://davidstutz.de/notes-on-goodfellows-deep-learning-textbook/)  
+
+21. Which of these textbooks should I start first? : r/learnmachinelearning \- Reddit, Zugriff am April 1, 2026, [https://www.reddit.com/r/learnmachinelearning/comments/bac1iw/which\_of\_these\_textbooks\_should\_i\_start\_first/](https://www.reddit.com/r/learnmachinelearning/comments/bac1iw/which_of_these_textbooks_should_i_start_first/)  
+
+22. INTERSECTION OVER UNION (IoU) \- Metrics Reloaded, Zugriff am April 1, 2026, [https://metrics-reloaded.dkfz.de/metric-library/intersection\_over\_union](https://metrics-reloaded.dkfz.de/metric-library/intersection_over_union)  
+
+23. Dice Coefficient vs. IoU in Medical Image Segmentation \- VeraDP, Zugriff am April 1, 2026, [https://veradp-ai.com/iou-vs-dice/](https://veradp-ai.com/iou-vs-dice/)  
+
+24. Generalized Intersection over Union, Zugriff am April 1, 2026, [https://giou.stanford.edu/](https://giou.stanford.edu/)  
+
+25. Intersection over Union (IoU) for object detection \- PyImageSearch, Zugriff am April 1, 2026, [https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)  
+
+26. Predictive Accuracy: A Misleading Performance Measure for Highly Imbalanced Data \- SAS Support, Zugriff am April 1, 2026, [https://support.sas.com/resources/papers/proceedings17/0942-2017.pdf](https://support.sas.com/resources/papers/proceedings17/0942-2017.pdf)  
+
+27. Failure of Classification Accuracy for Imbalanced Class Distributions \- MachineLearningMastery.com, Zugriff am April 1, 2026, [https://machinelearningmastery.com/failure-of-accuracy-for-imbalanced-class-distributions/](https://machinelearningmastery.com/failure-of-accuracy-for-imbalanced-class-distributions/)  
+
+28. Limitations in Evaluating Machine Learning Models for Imbalanced Binary Outcome Classification in Spine Surgery: A Systematic Review \- PMC, Zugriff am April 1, 2026, [https://pmc.ncbi.nlm.nih.gov/articles/PMC10741524/](https://pmc.ncbi.nlm.nih.gov/articles/PMC10741524/)  
+
+29. Why Accuracy Is Not A Good Metric For Imbalanced Data \- Towards AI, Zugriff am April 1, 2026, [https://towardsai.net/p/l/why-accuracy-is-not-a-good-metric-for-imbalanced-data](https://towardsai.net/p/l/why-accuracy-is-not-a-good-metric-for-imbalanced-data)  
+
+30. Why is accuracy misleading?. While being an intuitive metric… | by Becaye Baldé \- Medium, Zugriff am April 1, 2026, [https://medium.com/@becaye-balde/why-is-accuracy-misleading-9465975fa429](https://medium.com/@becaye-balde/why-is-accuracy-misleading-9465975fa429)  
+
+31. Learning from Imbalanced Data Sets: A Comparison of Various Strategies \- ResearchGate, Zugriff am April 1, 2026, [https://www.researchgate.net/publication/2628420\_Learning\_from\_Imbalanced\_Data\_Sets\_A\_Comparison\_of\_Various\_Strategies](https://www.researchgate.net/publication/2628420_Learning_from_Imbalanced_Data_Sets_A_Comparison_of_Various_Strategies)  
+
+32. Predictive Models for Imbalanced Data: A School Dropout Perspective \- MDPI, Zugriff am April 1, 2026, [https://www.mdpi.com/2227-7102/9/4/275](https://www.mdpi.com/2227-7102/9/4/275)  
+
+33. Intersection over Union (IoU): Definition, Calculation, Code \- V7 Labs, Zugriff am April 1, 2026, [https://www.v7labs.com/blog/intersection-over-union-guide](https://www.v7labs.com/blog/intersection-over-union-guide)  
+
+34. Jaccard index \- Wikipedia, Zugriff am April 1, 2026, [https://en.wikipedia.org/wiki/Jaccard\_index](https://en.wikipedia.org/wiki/Jaccard_index)  
+
+35. IoU vs. Dice Coefficient in Segmentation: Which Is More Robust for Noisy Images?, Zugriff am April 1, 2026, [https://eureka.patsnap.com/article/iou-vs-dice-coefficient-in-segmentation-which-is-more-robust-for-noisy-images](https://eureka.patsnap.com/article/iou-vs-dice-coefficient-in-segmentation-which-is-more-robust-for-noisy-images)  
+
+36. The distribution of the flora in the alpine zone.1 \- SciSpace, Zugriff am April 1, 2026, [https://scispace.com/pdf/the-distribution-of-the-flora-in-the-alpine-zone-1-4k0k378t10.pdf](https://scispace.com/pdf/the-distribution-of-the-flora-in-the-alpine-zone-1-4k0k378t10.pdf)  
+
+37. (PDF) The distribution of the flora in the alpine zone.1 (1912) | Paul Jaccard | 4445 Citations, Zugriff am April 1, 2026, [https://scispace.com/papers/the-distribution-of-the-flora-in-the-alpine-zone-1-4k0k378t10?citations\_page=64](https://scispace.com/papers/the-distribution-of-the-flora-in-the-alpine-zone-1-4k0k378t10?citations_page=64)  
+
+38. (PDF) The distribution of the flora in the alpine zone.1 (1912) | Paul, Zugriff am April 1, 2026, [https://scispace.com/papers/the-distribution-of-the-flora-in-the-alpine-zone-1-4k0k378t10?citations\_page=68](https://scispace.com/papers/the-distribution-of-the-flora-in-the-alpine-zone-1-4k0k378t10?citations_page=68)  
+
+39. Association of Insurance Status with Health Outcomes Following ..., Zugriff am April 1, 2026, [https://pmc.ncbi.nlm.nih.gov/articles/PMC4427212/](https://pmc.ncbi.nlm.nih.gov/articles/PMC4427212/)  
+
+40. Why Dice Coefficient and not IOU for segmentation tasks? \- Stack Overflow, Zugriff am April 1, 2026, [https://stackoverflow.com/questions/60268728/why-dice-coefficient-and-not-iou-for-segmentation-tasks](https://stackoverflow.com/questions/60268728/why-dice-coefficient-and-not-iou-for-segmentation-tasks)  
+
+41. Dice, L.R. (1945) Measures of the Amount of Ecologic Association between Species. Ecology, 26, 297-302. \- References \- Scirp.org., Zugriff am April 1, 2026, [https://www.scirp.org/reference/referencespapers?referenceid=1997958](https://www.scirp.org/reference/referencespapers?referenceid=1997958)  
+
+42. Measures of the Amount of Ecologic Association Between Species \- ScienceOpen, Zugriff am April 1, 2026, [https://www.scienceopen.com/document?vid=f11782ef-d3a0-4f86-a753-df951be86aa0](https://www.scienceopen.com/document?vid=f11782ef-d3a0-4f86-a753-df951be86aa0)  
+
+43. 1945 DICE \- Measures of The Amount of Ecologic Association Between Species \- Scribd, Zugriff am April 1, 2026, [https://www.scribd.com/document/850570641/1945-DICE-Measures-of-the-Amount-of-Ecologic-Association-Between-Species](https://www.scribd.com/document/850570641/1945-DICE-Measures-of-the-Amount-of-Ecologic-Association-Between-Species)  
+
+44. Measures of the Amount of Ecologic Association Between Species, Zugriff am April 1, 2026, [https://biocomparison.ucoz.ru/\_ld/0/86\_dice\_1945.pdf](https://biocomparison.ucoz.ru/_ld/0/86_dice_1945.pdf)  
+
+45. Measures of the Amount of Ecologic Association Between Species \- Semantic Scholar, Zugriff am April 1, 2026, [https://www.semanticscholar.org/paper/Measures-of-the-Amount-of-Ecologic-Association-Dice/23045299013e8738bc8eff73827ef8de256aef66](https://www.semanticscholar.org/paper/Measures-of-the-Amount-of-Ecologic-Association-Dice/23045299013e8738bc8eff73827ef8de256aef66)  
+
+46. Wilcoxon Signed-Rank Test: Theory and Application \- AWS, Zugriff am April 1, 2026, [https://rstudio-pubs-static.s3.amazonaws.com/1273706\_11d0df92307448f8bab9e1ddb15dfa2a.html](https://rstudio-pubs-static.s3.amazonaws.com/1273706_11d0df92307448f8bab9e1ddb15dfa2a.html)  
+
+47. Nonparametric Statistical Methods \- download, Zugriff am April 1, 2026, [https://download.e-bookshelf.de/download/0004/0695/89/L-G-0004069589-0002628419.pdf](https://download.e-bookshelf.de/download/0004/0695/89/L-G-0004069589-0002628419.pdf)  
+
+48. Nonparametric Statistical Methods Hollander \- CLaME, Zugriff am April 1, 2026, [https://clame.nyu.edu/Download\_PDFS/E051DE/311822/Nonparametric%20Statistical%20Methods%20Hollander.pdf](https://clame.nyu.edu/Download_PDFS/E051DE/311822/Nonparametric%20Statistical%20Methods%20Hollander.pdf)  
+
+49. Wilcoxon signed-rank test \- Wikipedia, Zugriff am April 1, 2026, [https://en.wikipedia.org/wiki/Wilcoxon\_signed-rank\_test](https://en.wikipedia.org/wiki/Wilcoxon_signed-rank_test)  
+
+50. Stat 5601 (Geyer, Spring 2006\) Wilcoxon Signed Rank Test \- School of Statistics, Zugriff am April 1, 2026, [https://www.stat.umn.edu/geyer/s06/5601/examp/signrank.html](https://www.stat.umn.edu/geyer/s06/5601/examp/signrank.html)  
+
+51. Nonparametric Statistical Methods \- ResearchGate, Zugriff am April 1, 2026, [https://www.researchgate.net/publication/261659419\_Nonparametric\_Statistical\_Methods](https://www.researchgate.net/publication/261659419_Nonparametric_Statistical_Methods)  
+
+52. Nonparametric Statistical Methods, 3rd Edition | Wiley, Zugriff am April 1, 2026, [https://www.wiley.com/en-us/Nonparametric+Statistical+Methods%2C+3rd+Edition-p-9781119196037](https://www.wiley.com/en-us/Nonparametric+Statistical+Methods%2C+3rd+Edition-p-9781119196037)  
+
+53. Handbook of Parametric and Nonparametric Statistical Procedures \- SciSpace, Zugriff am April 1, 2026, [https://scispace.com/pdf/handbook-of-parametric-and-nonparametric-statistical-qg16l9w9ki.pdf](https://scispace.com/pdf/handbook-of-parametric-and-nonparametric-statistical-qg16l9w9ki.pdf)  
+
+54. Handbook of Parametric and Nonparametric Statistical Procedures: Third Edition \- David J. Sheskin \- Google Books, Zugriff am April 1, 2026, [https://books.google.ca/books?id=ZvDLBQAAQBAJ](https://books.google.ca/books?id=ZvDLBQAAQBAJ)  
+
+55. Handbook of Parametric and Nonparametric Statistical Procedures, Fifth Edition, Zugriff am April 1, 2026, [https://www.taylorfrancis.com/books/mono/10.1201/9780429186196/handbook-parametric-nonparametric-statistical-procedures-fifth-edition-david-sheskin](https://www.taylorfrancis.com/books/mono/10.1201/9780429186196/handbook-parametric-nonparametric-statistical-procedures-fifth-edition-david-sheskin)  
+
+56. Handbook Of Parametric And Nonparametric Statistical Procedures \[5 ed.\] 1439858012, 9781439858011, 0429186193, 9780429186196, 1000083276, 9781000083279 \- DOKUMEN.PUB, Zugriff am April 1, 2026, [https://dokumen.pub/handbook-of-parametric-and-nonparametric-statistical-procedures-5nbsped-1439858012-9781439858011-0429186193-9780429186196-1000083276-9781000083279-s-6968972.html](https://dokumen.pub/handbook-of-parametric-and-nonparametric-statistical-procedures-5nbsped-1439858012-9781439858011-0429186193-9780429186196-1000083276-9781000083279-s-6968972.html)  
+
+57. Bootstrapping (statistics) \- Wikipedia, Zugriff am April 1, 2026, [https://en.wikipedia.org/wiki/Bootstrapping\_(statistics)](https://en.wikipedia.org/wiki/Bootstrapping_\(statistics\))  
+
+58. Bootstrap Confidence Intervals \- University of Minnesota Twin Cities, Zugriff am April 1, 2026, [http://users.stat.umn.edu/\~helwig/notes/bootci-Notes.pdf](http://users.stat.umn.edu/~helwig/notes/bootci-Notes.pdf)  
+
+59. Comparison of Bootstrap Confidence Interval Methods for GSCA ..., Zugriff am April 1, 2026, [https://pmc.ncbi.nlm.nih.gov/articles/PMC6797821/](https://pmc.ncbi.nlm.nih.gov/articles/PMC6797821/)  
+
+60. Introduction to the Bootstrap \- Harvard Medical School, Zugriff am April 1, 2026, [https://www.hms.harvard.edu/bss/neuro/bornlab/nb204/statistics/bootstrap.pdf](https://www.hms.harvard.edu/bss/neuro/bornlab/nb204/statistics/bootstrap.pdf)
+
+# Claude: Foundations chapter: statistical methods, metrics, and ML references
+
+  
+
+All bibliographic references below have been cross-verified against publisher databases, JSTOR, IEEE Xplore, Semantic Scholar, and DBLP. Each concept includes a thesis-ready explanation, formal definitions or hypotheses, and citation-ready references with complete bibliographic details.
+
+  
+
+---
+
+  
+
+## 1. Wilcoxon Signed-Rank Test
+
+  
+
+**Explanation (thesis-ready):**
+
+The Wilcoxon Signed-Rank Test is a nonparametric statistical test for comparing two related samples or matched pairs. Unlike the paired t-test, it does not require the assumption that the differences are normally distributed — only that the distribution of differences is **symmetric around zero** under the null hypothesis. The test ranks the absolute values of the pairwise differences, assigns signs based on the direction of each difference, and then evaluates whether the sum of positive ranks differs significantly from the sum of negative ranks. It is more powerful than the simple sign test because it uses rank magnitude information, not just direction.
+
+  
+
+**Null hypothesis (formal):**
+
+  
+
+> H₀: The distribution of the paired differences D_i = X_i − Y_i is symmetric about zero.
+
+  
+
+Equivalently, under the symmetry assumption: the **median of the differences equals zero**. The alternative hypothesis H₁ states that the distribution of differences is shifted away from zero (two-sided) or shifted in a specified direction (one-sided).
+
+  
+
+**When applicable:** Paired or matched samples; ordinal or continuous data; no normality assumption required; requires only that the difference distribution is symmetric.
+
+  
+
+**Distinction from the Wilcoxon Rank-Sum Test (Mann-Whitney U):**
+
+The Signed-Rank Test is for **paired** samples (e.g., same subjects measured before and after treatment), while the Rank-Sum Test is for **two independent** samples (e.g., treatment group vs. control group). Both are nonparametric, but they address fundamentally different experimental designs. The Rank-Sum Test is the nonparametric analogue of the independent two-sample t-test; the Signed-Rank Test is the analogue of the paired t-test.
+
+  
+
+**References:**
+
+  
+
+> Wilcoxon, F. (1945). Individual comparisons by ranking methods. *Biometrics Bulletin*, 1(6), 80–83. https://doi.org/10.2307/3001968
+
+  
+
+> Hollander, M., Wolfe, D. A., & Chicken, E. (2014). *Nonparametric Statistical Methods* (3rd ed.). John Wiley & Sons. ISBN: 978-0-470-38737-5.
+
+  
+
+**Note on sources:** The 1945 paper is the original introduction of both the signed-rank and rank-sum procedures, spanning just four pages. **Hollander, Wolfe & Chicken (2014)** is the standard modern textbook for nonparametric methods and the best choice for a comprehensive treatment. An alternative textbook is Sheskin, D. J. (2011), *Handbook of Parametric and Nonparametric Statistical Procedures* (5th ed.), Chapman & Hall/CRC, ISBN: 978-1-4398-5801-1 — useful as a procedural reference but less theoretically rigorous than Hollander et al. Note that *Biometrics Bulletin* was renamed to *Biometrics* in 1947; the 1945 paper must be cited under the original journal name.
+
+  
+
+---
+
+  
+
+## 2. BCa Bootstrap confidence intervals
+
+  
+
+**Explanation (thesis-ready):**
+
+Bootstrapping is a resampling method that estimates the sampling distribution of a statistic by drawing repeated samples **with replacement** from the observed data. A simple percentile bootstrap confidence interval uses the α/2 and 1−α/2 quantiles of the bootstrap distribution directly. The **BCa (Bias-Corrected and Accelerated) bootstrap** improves upon this by applying two corrections: a **bias correction** (adjusting for systematic bias in the bootstrap distribution relative to the true parameter) and an **acceleration correction** (adjusting for skewness in the sampling distribution, i.e., the rate at which the standard error changes with the parameter value). These corrections make BCa intervals **second-order accurate**, meaning their coverage error decreases at rate O(n⁻¹) rather than O(n⁻¹/²), providing substantially more reliable intervals especially for small samples or skewed statistics.
+
+  
+
+**Key distinction:** Simple percentile bootstrap intervals assume the bootstrap distribution is unbiased and symmetric. BCa intervals relax both assumptions, making them robust to bias and skewness — which is why they are the recommended default method for bootstrap confidence intervals in practice.
+
+  
+
+**References:**
+
+  
+
+> Efron, B. (1987). Better bootstrap confidence intervals. *Journal of the American Statistical Association*, 82(397), 171–185. https://doi.org/10.1080/01621459.1987.10478410
+
+  
+
+> Efron, B., & Tibshirani, R. J. (1993). *An Introduction to the Bootstrap*. Chapman & Hall. ISBN: 978-0-412-04231-7.
+
+  
+
+**Which to cite for BCa specifically:** The **1987 JASA paper is the primary citation** — it is where BCa was first formally introduced and its second-order accuracy was proven. The 1993 book is a general bootstrap textbook and better suited as a reference for bootstrapping as a whole. For a thesis, cite Efron (1987) for BCa and optionally Efron & Tibshirani (1993) for general bootstrap methodology. Note on page numbers: pp. 171–185 is the article proper; pp. 171–200 includes the published discussion and rejoinder. Either citation format is acceptable in academic use.
+
+  
+
+**Historical context:** The percentile method was introduced in Efron (1981), the bias-corrected (BC) method in Efron (1982/1984), and the full BCa method with the acceleration correction in **Efron (1987)**. The "a" in BCa — the acceleration parameter — was the specific innovation of the 1987 paper.
+
+  
+
+---
+
+  
+
+## 3. Intersection over Union (IoU) / Jaccard Index
+
+  
+
+**Explanation (thesis-ready):**
+
+The Intersection over Union (IoU), also known as the Jaccard Index, measures the overlap between two sets by dividing the size of their intersection by the size of their union. In the context of binary segmentation masks, this translates to **IoU = TP / (TP + FP + FN)**, where TP are correctly predicted positive pixels, FP are falsely predicted positive pixels, and FN are missed positive pixels. An IoU of 1.0 indicates perfect overlap; an IoU of 0 indicates no overlap. IoU is the standard metric for evaluating segmentation quality because it penalizes both over-segmentation (false positives) and under-segmentation (false negatives) equally.
+
+  
+
+**Formula (verified):**
+
+  
+
+Set-theoretic: IoU = |A ∩ B| / |A ∪ B|
+
+  
+
+Confusion-matrix: **IoU = TP / (TP + FP + FN)**
+
+  
+
+Derivation: Since |A ∪ B| = |A| + |B| − |A ∩ B| = (TP + FP) + (TP + FN) − TP = TP + FP + FN.
+
+  
+
+**References:**
+
+  
+
+> Jaccard, P. (1912). The distribution of the flora in the alpine zone. *New Phytologist*, 11(2), 37–50. https://doi.org/10.1111/j.1469-8137.1912.tb05611.x
+
+  
+
+> Taha, A. A., & Hanbury, A. (2015). Metrics for evaluating 3D medical image segmentation: Analysis, selection, and tool. *BMC Medical Imaging*, 15, Article 29. https://doi.org/10.1186/s12880-015-0068-x
+
+  
+
+**Which source is more appropriate for a CS thesis:** **Taha & Hanbury (2015)** is the more practical citation for a CS/segmentation thesis because it defines IoU in the context of image segmentation, compares it systematically with 20 other metrics, and is peer-reviewed in a relevant domain. Jaccard (1912) is appropriate as the historical origin citation. Note: The coefficient was originally introduced in French in Jaccard, P. (1901), "Étude comparative de la distribution florale dans une portion des Alpes et du Jura," *Bulletin de la Société Vaudoise des Sciences Naturelles*, 37, 547–579. The 1912 *New Phytologist* paper is an English-language translation and the version most commonly cited.
+
+  
+
+---
+
+  
+
+## 4. Dice coefficient and its equivalence to the F1-score
+
+  
+
+**Explanation (thesis-ready):**
+
+The Dice coefficient (also called the Sørensen–Dice coefficient) measures the similarity of two sets by computing twice the size of their intersection divided by the sum of both set sizes. In binary segmentation, this equals **Dice = 2TP / (2TP + FP + FN)**. The Dice coefficient is mathematically identical to the **F1-score** in binary classification, since F1 = 2 · Precision · Recall / (Precision + Recall) = 2TP / (2TP + FP + FN). The Dice coefficient always yields values ≥ IoU for the same prediction, ranging from 0 (no overlap) to 1 (perfect overlap).
+
+  
+
+**Formula (verified):**
+
+  
+
+Set-theoretic: Dice = 2|A ∩ B| / (|A| + |B|)
+
+  
+
+Confusion-matrix: **Dice = 2TP / (2TP + FP + FN)**
+
+  
+
+**Relationship to IoU (verified as mathematically correct):**
+
+  
+
+> **Dice = 2 · IoU / (1 + IoU)**
+
+  
+
+Proof: Let J = IoU = |A∩B| / |A∪B|, and note |A∪B| = |A| + |B| − |A∩B|. Then Dice = 2|A∩B| / (|A| + |B|) = 2|A∩B| / (|A∪B| + |A∩B|) = 2J / (1 + J). The inverse relation is IoU = Dice / (2 − Dice).
+
+  
+
+**Dice ≡ F1 (verified):** Yes, these are identical for binary classification. Starting from F1 = 2 · (TP/(TP+FP)) · (TP/(TP+FN)) / (TP/(TP+FP) + TP/(TP+FN)), algebraic simplification yields exactly 2TP / (2TP + FP + FN) = Dice.
+
+  
+
+**References:**
+
+  
+
+> Dice, L. R. (1945). Measures of the amount of ecologic association between species. *Ecology*, 26(3), 297–302. https://doi.org/10.2307/1932409
+
+  
+
+**Note:** The same coefficient was independently proposed by Sørensen, T. (1948), "A method of establishing groups of equal amplitude in plant sociology based on similarity of species and its application to analyses of the vegetation on Danish commons," *Kongelige Danske Videnskabernes Selskab*, 5(4), 1–34. Dice (1945) has priority by three years and is the standard citation.
+
+  
+
+---
+
+  
+
+## 5. TP, FP, FN, TN and the accuracy paradox
+
+  
+
+**Definitions for binary segmentation masks (thesis-ready):**
+
+  
+
+In pixel-wise binary segmentation, each pixel is classified as either positive (foreground/object) or negative (background). Comparing the predicted mask against the ground truth mask yields four categories:
+
+  
+
+- **True Positive (TP):** Pixel correctly classified as positive — present in both the prediction and the ground truth.
+
+- **False Positive (FP):** Pixel incorrectly classified as positive — present in the prediction but not in the ground truth (over-segmentation).
+
+- **False Negative (FN):** Pixel incorrectly classified as negative — present in the ground truth but not in the prediction (under-segmentation).
+
+- **True Negative (TN):** Pixel correctly classified as negative — absent from both the prediction and the ground truth.
+
+  
+
+**Why accuracy is misleading with class imbalance:** In pupil segmentation, the pupil region typically covers only a small fraction of the image (e.g., **2–5%** of all pixels). Accuracy = (TP + TN) / (TP + TN + FP + FN) is dominated by the overwhelming number of TN background pixels. A trivial classifier predicting "background everywhere" would achieve **>95% accuracy** while detecting zero pupil pixels. This is known as the **accuracy paradox**. IoU and Dice are preferred because they exclude TN from their computation, focusing evaluation on the small foreground class.
+
+  
+
+**References:**
+
+  
+
+> He, H., & Garcia, E. A. (2009). Learning from imbalanced data. *IEEE Transactions on Knowledge and Data Engineering*, 21(9), 1263–1284. https://doi.org/10.1109/TKDE.2008.239
+
+  
+
+> Provost, F., Fawcett, T., & Kohavi, R. (1998). The case against accuracy estimation for comparing induction algorithms. In *Proceedings of the 15th International Conference on Machine Learning (ICML '98)* (pp. 445–453). Morgan Kaufmann.
+
+  
+
+**Note:** He & Garcia (2009) is the standard survey on imbalanced learning, with **4,000+ citations**, and explicitly discusses why accuracy fails under class imbalance. Provost et al. (1998) provides the classic formal argument against accuracy as a comparison metric. Either is appropriate; He & Garcia (2009) is the more comprehensive and widely cited reference.
+
+  
+
+---
+
+  
+
+## 6. Convolutional Neural Networks
+
+  
+
+**Standard references (verified):**
+
+  
+
+> Goodfellow, I., Bengio, Y., & Courville, A. (2016). *Deep Learning*. MIT Press. ISBN: 978-0-262-03561-3.
+
+  
+
+> LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. *Proceedings of the IEEE*, 86(11), 2278–2324. https://doi.org/10.1109/5.726791
+
+  
+
+**Notes:** Goodfellow et al. (2016) is the standard deep learning textbook (freely available at deeplearningbook.org). LeCun et al. (1998) is the foundational paper introducing LeNet-5 and establishing convolutional neural networks for practical applications. Note that *Proceedings of the IEEE* is a journal (despite the name), not a conference proceedings.
+
+  
+
+---
+
+  
+
+## 7. YOLO
+
+  
+
+**Reference (verified):**
+
+  
+
+> Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In *Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)* (pp. 779–788). https://doi.org/10.1109/CVPR.2016.91
+
+  
+
+**Notes:** This is the original YOLOv1 paper, presented at CVPR 2016 in Las Vegas, NV. All four authors confirmed: Joseph Redmon, Santosh Divvala, Ross Girshick, and Ali Farhadi. If the thesis uses a specific later YOLO version (e.g., YOLOv5, YOLOv8, YOLOv11), the corresponding Ultralytics documentation or paper should also be cited.
+
+  
+
+---
+
+  
+
+## 8. Semantic vs. instance segmentation
+
+  
+
+**Explanation (thesis-ready):**
+
+**Semantic segmentation** assigns a class label to every pixel in an image, producing a dense per-pixel classification map. All pixels belonging to the same class receive the same label, without distinguishing between individual objects — two adjacent persons would both be labeled "person" with no boundary between them. **Instance segmentation** extends this by additionally separating individual object instances within the same class. Each distinct object receives a unique identifier, enabling the model to distinguish, for example, "person 1" from "person 2." Instance segmentation thus combines the goals of semantic segmentation (pixel-level classification) and object detection (identifying individual instances). For pupil segmentation where typically only one pupil instance per image is relevant, both approaches converge to the same practical task.
+
+  
+
+**References:**
+
+  
+
+> Minaee, S., Boykov, Y., Porikli, F., Plaza, A., Kehtarnavaz, N., & Terzopoulos, D. (2022). Image segmentation using deep learning: A survey. *IEEE Transactions on Pattern Analysis and Machine Intelligence*, 44(7), 3523–3542. https://doi.org/10.1109/TPAMI.2021.3059968
+
+  
+
+**Important finding on Garcia-Garcia et al. (2017):** This paper was published **only on arXiv** (arXiv:1704.06857) and was **never accepted in a peer-reviewed journal**. It was not published in ACM Computing Surveys or any other venue. For an academic thesis, **Minaee et al. (2022)** is the strongly recommended replacement — it is peer-reviewed, published in the top-tier journal IEEE TPAMI, more comprehensive, and more recent.
+
+  
+
+**Supplementary foundational references** (optional, for the seminal works in each subfield):
+
+  
+
+> Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. In *Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)* (pp. 3431–3440). https://doi.org/10.1109/CVPR.2015.7298965
+
+  
+
+> He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask R-CNN. In *Proceedings of the IEEE International Conference on Computer Vision (ICCV)* (pp. 2961–2969). https://doi.org/10.1109/ICCV.2017.322
+
+  
+
+Long et al. (2015) is the foundational work for semantic segmentation with deep learning (FCN). He et al. (2017) is the foundational work for instance segmentation (Mask R-CNN). Together with Minaee et al. (2022), these three papers provide authoritative coverage of the segmentation landscape.
+
+  
+
+---
+
+  
+
+## 9. Train/validation/test split
+
+  
+
+**Explanation (thesis-ready):**
+
+Splitting data into training, validation, and test sets is the standard methodology for unbiased model evaluation. The **training set** is used to fit model parameters. The **validation set** (sometimes called development set) is used to tune hyperparameters and select among competing models — it provides feedback during the development process without touching the test data. The **test set** is held out entirely and used only once for final performance estimation, ensuring an unbiased evaluation of generalization performance. A common split ratio is 70/15/15 or 80/10/10, though optimal proportions depend on dataset size.
+
+  
+
+**References (all verified):**
+
+  
+
+> Hastie, T., Tibshirani, R., & Friedman, J. (2009). *The Elements of Statistical Learning: Data Mining, Inference, and Prediction* (2nd ed.). Springer. ISBN: 978-0-387-84857-0.
+
+  
+
+> Bishop, C. M. (2006). *Pattern Recognition and Machine Learning*. Springer. ISBN: 978-0-387-31073-2.
+
+  
+
+> Goodfellow, I., Bengio, Y., & Courville, A. (2016). *Deep Learning*. MIT Press. ISBN: 978-0-262-03561-3.
+
+  
+
+**Which to cite:** **Hastie, Tibshirani & Friedman (2009), Chapter 7** ("Model Assessment and Selection") provides the most rigorous and thorough formal treatment of train/validation/test methodology and is the most widely cited source for this concept in the statistical learning literature. Bishop (2006), Section 1.3, also gives an excellent treatment. For a deep learning thesis, citing Goodfellow et al. (2016) alongside Hastie et al. (2009) provides both the statistical foundation and the deep learning context. Using two of the three is sufficient; all three together offers comprehensive coverage.
+
+  
+
+---
+
+  
+
+## Quick-reference table of all verified citations
+
+  
+
+| # | Reference | Venue | Year | Use for |
+
+|---|-----------|-------|------|---------|
+
+| 1 | Wilcoxon, F. | *Biometrics Bulletin*, 1(6), 80–83 | 1945 | Original signed-rank test |
+
+| 2 | Hollander, M., Wolfe, D. A., & Chicken, E. | Wiley, 3rd ed. | 2014 | Nonparametric methods textbook |
+
+| 3 | Efron, B. | *JASA*, 82(397), 171–185 | 1987 | BCa bootstrap (original) |
+
+| 4 | Efron, B. & Tibshirani, R. J. | Chapman & Hall | 1993 | Bootstrap textbook |
+
+| 5 | Jaccard, P. | *New Phytologist*, 11(2), 37–50 | 1912 | Jaccard Index origin |
+
+| 6 | Taha, A. A. & Hanbury, A. | *BMC Medical Imaging*, 15, Art. 29 | 2015 | Segmentation metrics |
+
+| 7 | Dice, L. R. | *Ecology*, 26(3), 297–302 | 1945 | Dice coefficient origin |
+
+| 8 | He, H. & Garcia, E. A. | *IEEE TKDE*, 21(9), 1263–1284 | 2009 | Class imbalance survey |
+
+| 9 | Goodfellow, I. et al. | MIT Press | 2016 | Deep learning textbook |
+
+| 10 | LeCun, Y. et al. | *Proc. IEEE*, 86(11), 2278–2324 | 1998 | CNNs foundational paper |
+
+| 11 | Redmon, J. et al. | CVPR, pp. 779–788 | 2016 | YOLO original paper |
+
+| 12 | Minaee, S. et al. | *IEEE TPAMI*, 44(7), 3523–3542 | 2022 | Segmentation survey |
+
+| 13 | Hastie, T. et al. | Springer, 2nd ed. | 2009 | Train/val/test split |
+
+| 14 | Bishop, C. M. | Springer | 2006 | Pattern recognition textbook |
+
+  
+
+**Key warnings for the thesis:**
+
+- Garcia-Garcia et al. (2017) is arXiv-only — **do not cite as a journal paper**. Replace with Minaee et al. (2022) for a peer-reviewed alternative.
+
+- Wilcoxon (1945) appeared in *Biometrics Bulletin*, not *Biometrics* — the journal was renamed in 1947.
+
+- Efron (1987) pages 171–185 is the article; pages 171–200 includes published discussion. Both citation formats are acceptable.
+
+- Jaccard's original work is from 1901 (French); the 1912 reference is the English translation most commonly cited in CS literature.
--- a/Schreibplan.md
+++ b/Schreibplan.md
@@ -0,0 +1,282 @@
+# Grundlagen-Kapitel: Schreibplan
+
+## Kontext
+
+Kapitel 5 (Implementierung), 6 (Versuchsaufbau) und 7 (Auswertung) verwenden zahlreiche Konzepte, die im Grundlagen-Kapitel (Kap. 2) nicht oder nur als Stubs erklärt werden. Dieser Plan definiert die finale Kapitelstruktur, den Inhalt pro Abschnitt und die nötige Recherche.
+
+**Datei:** `MasterLatex/content/02_Grundlagen.tex`
+**Zielumfang:** ~11-12 Seiten (mit Abbildungen evtl. 12-13)
+
+---
+
+## Ist-Zustand
+
+**Gut abgedeckt:** Oberflächendarstellungen (parametrisch/implizit), Koordinatensystem, View-Layer, Compositor, Cryptomatte, AOV
+
+**Stubs/leer:** Blender-Intro (3 Sätze), Meshes (TODO), Catmull-Clark (leer), Shape-Keys (fast leer), Wilcoxon (leer), IoU (leer), Dice (leer), TP/FP/FN/TN (nur Aufzählung), Section 2.2 hat Platzhaltertitel
+
+**Komplett fehlend:** Augenanatomie, Rendering-Konzept, Materialien/Shader, UV-Mapping, Modifier-Stack, bpy-API, Neuronale Netze, YOLO, Train/Val/Test-Split, BCa-Bootstrap
+
+---
+
+## Finale Kapitelstruktur
+
+### 2.1 Anatomie des Auges und der Periorbitalregion [NEU]
+
+#### 2.1.1 Grundaufbau des Auges (~3/4 Seite mit Abbildung)
+- Pupille, Iris, Sklera, Kornea definieren, beschriftete Querschnittzeichnung
+- Erwähnen, wie diese Strukturen in Infrarotbildern erscheinen (Pupille dunkel, Iris texturiert, Sklera hell, Kornea erzeugt Glints)
+- KEINE ophthalmologische Tiefe (kein Kammerwasser, keine Retina etc.)
+
+#### 2.1.2 Augenlid und Periorbitalregion (~3/4 Seite mit Abbildung)
+- Periorbitalregion, Lidspalte, medialer Kanthus (Endokanthion), lateraler Kanthus (Exokanthion) definieren
+- Relevante morphologische Merkmale rein anatomisch einführen (OHNE Bezug zu Shape-Keys -- die Zuordnung zur Modellierung erfolgt erst in Kap. 5.4):
+  - **Epikanthusfalte**: Hautfalte am medialen Kanthus
+  - **Supratarsalfalte / Oberlidfalte**: Horizontale Falte im Oberlid
+  - **Lidptosis**: Herabhängen des Oberlids
+- Beschreibend und visuell, 1-2 Abbildungen mit beschrifteten Strukturen
+- Population-Level-Variation gehört NICHT hierher (ist in Kap. 3.4)
+
+#### 2.1.3 Koordinatensystem und medizinische Richtungsbezeichnungen (VERSCHIEBEN aus aktuellem 2.2.1)
+- Bestehender Inhalt (superior/inferior/anterior/posterior/mediolateral) ist gut
+- Blender-Achsenzuordnung auf kurze Anmerkung kürzen
+- Modellraum-Beispiele (Person, Flugzeug) streichen oder auf 2 Sätze kürzen
+- **Offene Entscheidung:** NUR behalten, wenn die Terminologie in Kap. 5 auch tatsächlich aktiv genutzt wird (relevantes Kapitel ist noch nicht fertig). Falls dort nur alltagssprachlich/Blender-orientiert formuliert wird, auf 3 Sätze schrumpfen oder ganz streichen.
+
+---
+
+### 2.2 Computergrafik [UMSTRUKTURIERT]
+
+#### 2.2.1 Rendering [NEU] (~1/3 Seite)
+- Was Rendering ist: Berechnung eines 2D-Bildes aus 3D-Szene
+- Zwei Ansätze kurz benennen: Path Tracing vs. Rasterisierung
+- Blender: Cycles (Path Tracer) und Eevee (Rasterisierer). Diese Arbeit nutzt Eevee.
+
+#### 2.2.2 Oberflächendarstellungen (BEHALTEN, STARK KÜRZEN auf ~1/2 Seite)
+- Parametrisch vs. implizit: Kernaussage behalten (komplementäre Stärken/Schwächen)
+- Einheitskreis-Beispiele auf je 2-3 Sätze eindampfen
+- Überleitung zu Meshes als praktischer Kompromiss
+- **Erster Kürzungskandidat** falls Kapitel zu lang wird
+
+#### 2.2.3 Polygon-Meshes (FIXEN) (~1/2 Seite)
+- Vertex, Edge, Face/Polygon definieren
+- Quad-dominante vs. irreguläre Topologie erwähnen (relevant für Catmull-Clark)
+- Eine Abbildung: Drahtgitter + gerendertes Gegenstück
+
+#### 2.2.4 Subdivision Surfaces und Catmull-Clark (FIXEN -- aktuell leer) (~1/2 Seite)
+- Kernidee: grobes Kontrollnetz -> rekursiv unterteilen und glätten -> glatte Grenzfläche
+- Quad-Topologie -> C2-stetig, irreguläre Vertices nur C1
+- **Edge Creases**: scharfe Kanten trotz Subdivision
+- KEINE mathematische Herleitung, nur Konzept + Abbildung
+
+#### 2.2.5 Shape-Keys (Morph-Targets) (FIXEN) (~1/2 Seite)
+- Pro-Vertex-Positionsoffsets relativ zur Basis, Blending über skalaren Gewichtsfaktor (0-1), additiv kombinierbar
+- Zentrale Einschränkung: lineare Interpolation folgt keinen gekrümmten Oberflächen
+- Eine Abbildung: Basis -> deformiert -> Zwischenstufe
+
+#### 2.2.6 UV-Mapping [NEU] (~1/3 Seite)
+- 2D-Abwicklung einer 3D-Oberfläche, Korrespondenz Oberfläche <-> Texturkoordinate
+- Eine Abbildung: 3D-Mesh + UV-Layout
+
+---
+
+### 2.3 Blender [VERSCHLANKT]
+
+#### 2.3.1 Überblick (~1/3 Seite)
+- Open-Source 3D-Suite. Relevante Fähigkeiten: Modellierung, Materialien, Rendering (Cycles/Eevee), Compositing
+- Materialien: Definieren Oberflächenaussehen, werden in Blender über ein node-basiertes Shadersystem erstellt (1 Satz, keine eigene Subsection)
+- Headless-Modus über Kommandozeile, Python-API (bpy) für programmatische Steuerung
+- Modifier-Stack: nicht-destruktive Operationen in definierter Reihenfolge (Top-to-Bottom), Reihenfolge entscheidend
+- bpy, Modifier-Stack und Materialien als Absätze innerhalb des Überblicks, KEINE eigenen Subsections
+
+#### 2.3.2 View-Layer (BEHALTEN -- existierender Text ist gut)
+
+#### 2.3.3 Compositor (BEHALTEN -- existierender Text ist gut)
+
+#### 2.3.4 Cryptomatte (BEHALTEN -- knapp halten)
+- Wird in Kap. 5.7 an 4+ Stellen referenziert, dort ist der Kontrast Cryptomatte vs. AOV zentral
+
+#### 2.3.5 Arbitrary Output Variables (BEHALTEN -- knapp halten)
+- Wird in Kap. 5.7 an 5+ Stellen referenziert, zentrale Lösung für Augenlid-Maske
+
+---
+
+### 2.4 Bildsegmentierung mit Deep Learning [NEU]
+
+#### 2.4.1 Convolutional Neural Networks (~1/2 Seite)
+- Allgemeine NN nur in 2-3 Sätzen (Schichten, Gewichte, Training)
+- Fokus auf CNNs: Faltungsschichten für räumliche Merkmale, Pooling, Feature-Hierarchien
+- High-Level, keine Backpropagation-Herleitung
+
+#### 2.4.2 Bildsegmentierung und Objekterkennung (~3/4 Seite)
+- Was ist Bildsegmentierung: pro Pixel eine Klassenzuweisung
+- Semantische vs. Instanzsegmentierung (kurz unterscheiden)
+- YOLO als Vertreter der Single-Shot-Detektoren: Grundidee (ein Forward-Pass für Detektion + Segmentierung)
+- Quelle: Redmon et al. 2016 (Originalpaper) für YOLO als Konzept
+- Konkrete Modellvariante (YOLO26) und Bibliothek (Ultralytics) erst in Kap. 6, dort offizielle Ultralytics-Software-Zitation
+- KEINE Details zu Architekturinterna (FPN, Anchor-Free etc.)
+- Fokus auf Segmentierung als Hauptthema, Objekterkennung nur so weit wie für YOLO-Verständnis nötig
+- Bewusst kürzer als Remiorz/Kleipsties (6-7 S. NN/CNN), weil Fokus hier auf Rendering-Pipeline, nicht ML-Architekturvergleich
+
+#### 2.4.3 Training, Validierung und Test (~1/3 Seite)
+- Dreiteilung und jeweiligen Zweck erklären
+- Seed-Wiederholungen gehören in Kap. 6, hier höchstens ein Nebensatz
+
+---
+
+### 2.5 Evaluationsmetriken [FIXEN]
+
+#### 2.5.1 Pixelbasierte Grundbegriffe (TP, FP, FN, TN) (~1/3 Seite)
+- Im Kontext binärer Segmentierungsmasken definieren
+- TN der Vollständigkeit halber erwähnen, aber nicht überbetonen -- für IoU und Dice irrelevant
+- Warum Accuracy bei Klassenungleichgewicht irreführend ist -> motiviert IoU/Dice
+
+#### 2.5.2 Intersection over Union (IoU) (~1/4 Seite)
+- Formel: IoU = TP / (TP + FP + FN), kurze Erklärung
+
+#### 2.5.3 Dice-Koeffizient (~1/4 Seite)
+- Formel: Dice = 2*TP / (2*TP + FP + FN)
+- Monotone Beziehung zu IoU: Dice = 2*IoU / (1+IoU)
+
+#### 2.5.4 Wilcoxon-Vorzeichen-Rang-Test (~1/3 Seite)
+- Nichtparametrischer Test für gepaarte Stichproben
+- Testet ob Median der Paardifferenzen null ist, setzt keine Normalverteilung voraus
+- Nullhypothese und was ein signifikanter p-Wert bedeutet
+
+#### 2.5.5 Bootstrap-Konfidenzintervalle (BCa) (~1/4 Seite)
+- Resampling mit Zurücklegen zur Schätzung der Stichprobenverteilung
+- BCa korrigiert für Bias und Schiefe
+- Interpretation (KI enthält 0 nicht -> signifikant) gehört in Kap. 7, nicht hierher
+
+---
+
+## Übergänge zwischen den Blöcken
+
+Saubere Übergänge verhindern, dass das Kapitel wie ein Sammelbecken wirkt:
+- **2.1 -> 2.2**: Die anatomischen Strukturen müssen geometrisch und visuell modelliert werden
+- **2.3 -> 2.4**: Die synthetisch erzeugten Bilder dienen als Trainingsdaten für Segmentierungsmodelle
+- **2.4 -> 2.5**: Diese Modelle müssen mit geeigneten Metriken bewertet werden
+
+---
+
+## Was NICHT ins Grundlagen-Kapitel gehört
+
+| Thema | Grund | Wo stattdessen |
+|---|---|---|
+| SSIM | Nur in Frame-Extraktion, dort inline erklärt | Kap. 6 |
+| Konturextraktion, Binärmask-Ops | Implementierungsdetail | Kap. 5 inline |
+| sRGB/Linear, Luminanz | Implementierungsdetail | Kap. 5 inline |
+| Anti-Aliasing/TAA | Bereits inline in Kap. 5.7.3 erklärt | Kap. 5 |
+| mAP | Wird nicht verwendet | Streichen |
+| Precision, Recall, Accuracy | Nicht als Metrik genutzt | Streichen |
+| Hair-System, Shrinkwrap, Vertex Groups | Zu Blender-spezifisch | Kap. 5 inline |
+| Parent-Child, Texture Paint, Shader-Nodes | Implementierungsdetail | Kap. 5 inline |
+| Sim-to-Real / Transfer Learning | Bereits in Related Work | Kap. 3.3 |
+| Population-Level-Variation | Bereits in Related Work | Kap. 3.4 |
+| Konkrete YOLO-Variante (YOLOv8n-seg) | Methodische Wahl, nicht Grundlage | Kap. 6 |
+| Shape-Key-Namen (ECF, STF etc.) | Modellierungsentscheidung | Kap. 5.4 |
+
+---
+
+## Prioritäten
+
+1. **KRITISCH** -- Anatomie (2.1): Ohne das versteht der Leser nicht, was modelliert wird
+2. **HOCH** -- ML/Segmentierung (2.4): Ohne das ist Experiment 2 unverständlich
+3. **HOCH** -- Evaluationsmetriken (2.5): IoU, Dice, Wilcoxon, BCa sind alle Stubs
+4. **HOCH** -- Shape-Keys (2.2.5): Zentraler Mechanismus der gesamten Implementierung
+5. **MITTEL** -- Catmull-Clark (2.2.4): Nötig für Subdivision + Creases
+6. **MITTEL** -- Rendering (2.2.1), UV-Mapping (2.2.6)
+7. **NIEDRIG** -- Oberflächendarstellungen kürzen (2.2.2), Meshes fixen (2.2.3), Blender-Intro (2.3.1)
+
+---
+
+## Geschätzter Gesamtumfang
+
+| Abschnitt | Seiten |
+|---|---|
+| 2.1 Anatomie | ~2 |
+| 2.2 Computergrafik | ~3,5 |
+| 2.3 Blender | ~2,5 |
+| 2.4 Bildsegmentierung | ~1,5 |
+| 2.5 Evaluationsmetriken | ~1,5 |
+| **Gesamt** | **~11-12** |
+
+---
+
+---
+
+# Recherche-Aufteilung
+
+## Deep Research 1: Augenanatomie und Periorbitalregion (extern)
+
+**Warum extern:** Medizinisches Fachwissen, braucht verlässliche Lehrbuchquellen. Falsche Terminologie oder ungenaue Definitionen wären in einer Masterarbeit problematisch.
+
+**Was recherchiert werden soll:**
+- Standardwerke/Lehrbücher für die Grundanatomie des Auges (Pupille, Iris, Sklera, Kornea) -- es reicht ein Anatomie-Lehrbuch oder Augenheilkunde-Standardwerk
+- Fachbegriffe der Periorbitalregion: Lidspalte (Palpebral Fissure), Endokanthion, Exokanthion -- korrekte Definitionen und zitierbare Quellen
+- Morphologische Merkmale:
+  - Epikanthusfalte: korrekte anatomische Definition, Standardquelle
+  - Supratarsalfalte / Oberlidfalte (Lid Crease vs. Lid Fold): Terminologie ist in der Literatur nicht immer einheitlich -- klären was der korrekte Begriff ist
+  - Lidptosis / Blepharoptosis: Definition, Abgrenzung
+- Wie das Auge in Infrarotbildern erscheint (Pupille dunkel, Iris texturiert etc.) -- evtl. aus Eye-Tracking-Literatur statt reiner Anatomie
+- **Nicht nötig:** Ophthalmologische Tiefe (Kammerwasser, Retina, Sehnerv etc.), populationsbezogene Variationsstatistiken (ist schon in Related Work)
+
+**Gewünschtes Ergebnis:** Pro Konzept 1-2 zitierbare Quellen (Lehrbuch oder Paper), korrekte deutsche und englische Fachbegriffe, kurze Definition
+
+---
+
+## Deep Research 2: Computergrafik-Grundlagen (extern)
+
+**Warum extern:** Originalpaper und Lehrbuchquellen für mathematisch fundierte Konzepte.
+
+**Was recherchiert werden soll:**
+- **Catmull-Clark Subdivision Surfaces**: Originalpaper (Catmull & Clark, 1978), evtl. ein CG-Lehrbuch das Subdivision Surfaces gut erklärt. Insbesondere: C2-Stetigkeit bei regulären Vertices, C1 bei irregulären, Konzept von Edge Creases
+- **Shape-Keys / Morph Targets / Blend Shapes**: Zitierbare Quelle für das Konzept (CG-Lehrbuch oder Seminal Paper). Der Begriff "Shape Key" ist Blender-spezifisch, "Morph Target" oder "Blend Shape" ist der allgemeinere Fachbegriff
+- **Rendering-Grundlagen**: Ein CG-Standardlehrbuch als Quelle für die Unterscheidung Path Tracing vs. Rasterisierung (z.B. Pharr/Humphreys "Physically Based Rendering", Hughes et al. "Computer Graphics: Principles and Practice", oder Akenine-Möller et al. "Real-Time Rendering")
+- **UV-Mapping**: Zitierbare Lehrbuchquelle
+- **Polygon-Meshes**: Lehrbuchquelle für Vertex/Edge/Face, Mesh-Topologie
+- **Oberflächendarstellungen** (parametrisch vs. implizit): Die Quellen fehlen laut TODOs im bestehenden Text
+
+**Gewünschtes Ergebnis:** Pro Konzept 1-2 Standardquellen (Lehrbuch oder Originalpaper), korrekte Fachbegriffe
+
+---
+
+## Deep Research 3: Statistische Methoden (extern)
+
+**Warum extern:** Wilcoxon und BCa-Bootstrap werden in keiner der Peer-Masterarbeiten (Remiorz, Kleipsties, Kaminski) behandelt. Diese Arbeit geht statistisch tiefer, daher sind korrekte Lehrbuchquellen und Formulierungshilfe nötig.
+
+**Was recherchiert werden soll:**
+- **Wilcoxon-Vorzeichen-Rang-Test**: Statistik-Lehrbuch als Quelle, korrekte Formulierung der Nullhypothese, wann anwendbar
+- **BCa-Bootstrap-Konfidenzintervalle**: Efron & Tibshirani als Standardquelle, evtl. Efron 1987
+
+**Gewünschtes Ergebnis:** Pro Methode korrekte Referenz(en), kurze Formulierungshilfe für die Erklärung
+
+---
+
+## Was ich (Claude Code) selbst machen kann
+
+Diese Teile brauchen keine externe Recherche:
+
+- **YOLO-Quellen**: Redmon et al. 2016 ("You Only Look Once") für Kap. 2 als Konzept. Offizielle Ultralytics-Software-Zitation/Doku für YOLO26 in Kap. 6. Keine weiteren YOLO-Paper nötig (Peer-Arbeiten gehen auch nicht tiefer).
+- **CNN-Quellen**: Goodfellow et al. "Deep Learning" (2016) als Lehrbuch, LeCun et al. als Klassiker. Standardreferenzen.
+- **Segmentierung**: Garcia-Garcia et al. 2017 ist schon in der Bibliographie. Prüfen ob das reicht.
+- **IoU/Dice**: Taha & Hanbury 2015 ist schon in der Bibliographie. Evtl. Dice 1945 / Jaccard 1912 als Originale ergänzen.
+- **Train/Val/Test-Split**: Goodfellow et al. "Deep Learning" als Standardreferenz.
+- **Blender-Abschnitte (2.3)**: Offizielle Blender-Dokumentation als Quelle reicht.
+- **Cryptomatte**: Psyop GitHub/Paper ist die Originalquelle.
+- **Textuelle Überarbeitung**: Kürzen, umstrukturieren, TODOs auflösen.
+- **Prüfen welche Quellen schon in `referenzen.bib` vorhanden sind.**
+
+---
+
+## Vergleich mit Peer-Masterarbeiten
+
+Erkenntnisse aus Remiorz 2025, Kleipsties 2025 und Kaminski 2025:
+
+| | Remiorz | Kleipsties | Kaminski | **Unser Plan** |
+|---|---|---|---|---|
+| NN/CNN | 6 S. | 7 S. | 0 | ~1/2 S. (bewusst kürzer, anderer Fokus) |
+| YOLO | ~1/2-1 S. | ~2 S. (pragmatisch) | ~2 S. (Black-Box) | ~3/4 S. |
+| Metriken | 2-3 S. in Grundlagen | 1,5 S. in Methodik | 0 | ~1 S. in Grundlagen |
+| Statistik | 0 | 0 | 0 | ~2/3 S. (einzige Arbeit mit Wilcoxon+BCa) |
+| Gesamt Grundlagen | ~18 S. | ~18 S. | ~15 S. | **~11-12 S.** |
--- a/Schreibplan.md
+++ b/Schreibplan.md
@@ -0,0 +1,52 @@
+# Schreibplan Kapitel 4: Methodik
+
+## Reihenfolge (interleaved mit Kap. 5)
+
+| Schritt | Abschnitt | Begründung |
+|---------|-----------|------------|
+| 1 | **4.1** Gesamtkonzept und Anforderungen | Setzt den Rahmen für alles Weitere |
+| 2 | **4.2** Konzept der periorbitalen Formvariation | Kern der methodischen Neuerung |
+| 3 | **5.4** Umsetzung der periorbitalen Formvariation | Direkt nach 4.2, solange die konzeptuelle Argumentation frisch ist |
+| 4 | **4.3** Konzept der Parametrisierung und Randomisierung | Baut auf 4.2 auf, ist aber unabhängig genug für danach |
+| 5 | **4.4** Übergeordnete Evaluationslogik | Schließt Methodik ab, leitet zu Kap. 6 über |
+| 6 | **5.5** Augenbrauen/Wimpern | Teiltext vorhanden, ergänzen |
+| 7 | **5.8** Performance-Optimierungen | Inhalte aus `0X_PerformanceVerbesserung.tex` verschieben |
+
+## Abschnitt 4.2: Konzept der periorbitalen Formvariation (Kernabschnitt)
+
+- **Dateipfad:** `MasterLatex/content/04_Methodik/2_KonzeptFormvariation.tex`
+- **Inhalt:**
+  - Warum Shape-Keys gewählt wurden (vs. separate Meshes, Skelett-Rigs, prozedurale Generierung)
+  - Grundidee: lineare Kombination von Shape-Keys für Augenlid-Schließung + periorbital Formvariation
+  - Kurze Erwähnung: Augenbrauen/Wimpern müssen deformierbar sein, daher haarbasierter Ansatz
+  - Kurze Erwähnung der Herausforderungen (Clipping, Korrektur-Shape-Keys), Verweis auf Kap. 5
+  - NICHT: detaillierte technische Problemanalyse (Krümmungsruck etc.)
+- **Wichtig:** Dies ist der wichtigste Abschnitt in Kap. 4. Glasklar machen, dass die Neuerung **nicht bloß mehr Parameter** ist, sondern eine **zusätzliche anatomisch motivierte Variationsachse**.
+
+## Abschnitt 4.3: Konzept der Parametrisierung und Randomisierung
+
+- **Dateipfad:** `MasterLatex/content/04_Methodik/3_Parametrisierung.tex`
+- **Inhalt:**
+  - Abstrakt: Welche Parameter kontrollierbar, wie randomisiert, Rolle der Reproduzierbarkeit
+  - Methodenebene, kein JSON-Schema
+  - Eng an Reproduzierbarkeit koppeln: kontrollierbar, bereichsbasiert, seedbar, experimentell vergleichbar
+  - Hier kommt auch die detaillierte Taxonomie aller Variationsachsen mit Scope-Abgrenzung (bestehend / neu / nicht angefasst) hin
+- **Bestehendes als Referenz:** `05_Implementierung/6_Parametrisierung.tex` (65 Zeilen, fertig)
+
+## Abschnitt 4.4: Übergeordnete Evaluationslogik
+
+- **Dateipfad:** `MasterLatex/content/04_Methodik/4_Evaluationslogik.tex`
+- **Inhalt:**
+  - Max 0,5-1 Seite
+  - Übergeordnete Fragen
+  - Warum drei Experimente: Exp 1.1 (Laufzeit), Exp 1.2 (Bottlenecks), Exp 2 (Segmentierung)
+  - NICHT: konkrete Begründungen pro Experiment (die stehen in Kap. 6)
+- **Charakter:** Brücke zu Kapitel 6. Nur: Welche Fragen gibt es, und warum braucht es dafür genau diese Experimente?
+
+## Stilregeln
+
+- Keine Gedankenstriche und keine Semikolons
+- Keine übermäßig langen Bindestrich-Komposita
+- Keine Blender-Details in Kap. 4 (Shape-Keys, Modifier etc. erst in Kap. 5)
+- Anforderungen problemorientiert, nicht lösungsnah
+- Abstraktionsniveau: WAS und WARUM, nicht WIE
--- a/Schreibplan.md
+++ b/Schreibplan.md
@@ -0,0 +1,47 @@
+# Schreibplan 4.1: Gesamtkonzept und Anforderungen
+
+**Dateipfad:** `MasterLatex/content/04_Methodik/1_GesamtkonzeptUndAnforderungen.tex`
+**Zielumfang:** ca. 1-1,5 Seiten
+
+## Struktur
+
+### Absatz 1 — Problem und Ziel (2-3 Sätze)
+
+Ausgehend von der in Kapitel 3 herausgearbeiteten Forschungslücke (`\ref{sec:forschungsluecke}`) verfolgt diese Arbeit das Ziel, die bestehende HEyes-Pipeline um parametrisierbare periorbitale Formvariation zu erweitern. Bisher ist die Geometrie der Periorbitalregion auf ein einziges festes Modell beschränkt. Durch die Einführung steuerbarer Formparameter soll die geometrische Variabilität der generierten Trainingsdaten erhöht werden.
+
+### Absatz 2 — Anforderungen (als Aufzählung, problemorientiert)
+
+Abgeleitet aus der Forschungslücke und dem bestehenden Pipeline-Design:
+
+1. **Anatomisch motivierte Plausibilität** — Die erzeugten Augenformen sollen anatomisch motiviert und visuell plausibel sein und sich an in der Literatur beschriebenen Variationsachsen orientieren.
+2. **Inhaltliche Interpretierbarkeit** — Die Formparameter sollen inhaltlich benennbaren anatomischen Merkmalen entsprechen und gezielt steuerbar sein.
+3. **Kompatibilität** — Die Erweiterung soll mit der bestehenden Pipeline kompatibel bleiben und die bestehende Bild- und Maskengenerierung nicht grundlegend verändern.
+4. **Konfigurierbarkeit und Randomisierbarkeit** — Parameterbereiche sollen definierbar und pro Bild variierbar sein, um sie als Achse der Domain Randomization nutzen zu können.
+5. **Reproduzierbarkeit** — Identische Konfigurationen und Seeds sollen eine reproduzierbare Datengenerierung für experimentelle Vergleiche ermöglichen.
+6. **Skalierbarkeit** — Die Erweiterung soll die praktische Skalierbarkeit der Pipeline erhalten, sodass größere Datensätze weiterhin mit vertretbarem Aufwand generiert werden können.
+
+### Absatz 3 — Einordnung in die Pipeline (kurz, + Figur)
+
+Neben bereits vorhandenen Variationsachsen wird die Pipeline um periorbitale Formparameter als zusätzliche Variationsachse erweitert. Die Einführung dieser Formvariation erfordert zugleich Anpassungen angrenzender Strukturen, insbesondere des Augenlidmodells sowie von Augenbrauen und Wimpern.
+
+`\todo{Figur: Pipeline-Überblick — Konfiguration → Parameterinstanziierung → Szenenkonfiguration → Rendering → Bild/Masken. Markierung, wo die Formvariation eingreift.}`
+
+(Die detaillierte Taxonomie aller Variationsachsen mit Scope-Abgrenzung folgt in Abschnitt 4.3.)
+
+### Absatz 4 — Kapitelausblick (2-3 Sätze)
+
+Abschnitt 4.2 begründet den gewählten Deformationsmechanismus, 4.3 beschreibt das Parametrisierungs- und Randomisierungskonzept, 4.4 skizziert die übergeordnete Evaluationslogik.
+
+## Relevante Referenzen
+
+- `\ref{sec:forschungsluecke}` — Forschungslücke aus Kap. 3.5
+- Cite-Keys: `kaminskiBestimmungPupillendurchmessersUnabhaengig2025` (HEyes)
+- Keine Wisetchat/TFM-Cites in 4.1 (kommen erst in 4.2 bei der Lösungsbegründung)
+
+## Stilregeln
+
+- Keine Gedankenstriche, keine Semikolons
+- Keine Blender-Details (Shape-Keys, Modifier etc. erst in 4.2 / Kap. 5)
+- Anforderungen problemorientiert, nicht lösungsnah
+- Nicht metatextuell ("Kap. 3 hat identifiziert" vermeiden, elegantere Überleitung)
+- Knapp: keine Einleitung 2.0, Grundlagen stehen in Kap. 3
--- a/Schreibplan.md
+++ b/Schreibplan.md
@@ -0,0 +1,61 @@
+# Schreibplan 4.2: Konzept der periorbitalen Formvariation
+
+**Dateipfad:** `MasterLatex/content/04_Methodik/2_KonzeptFormvariation.tex`
+**Label:** `\label{sec:methodik_formvariation}`
+**Zielumfang:** ca. 1,5-2 Seiten (Kernabschnitt von Kap. 4)
+
+## Struktur (4 Blöcke)
+
+### Absatz 1 — Defizit bestehender Ansätze und abgeleitete Zielkriterien (3-4 Sätze)
+
+Synthetische Verdichtung der Kap.-3-Ergebnisse, keine Mini-Literaturübersicht:
+- *Diskrete Modellsammlungen:* Variation ist implizit in den Modellen gebunden, nicht parametrisch steuerbar und nicht gezielt randomisierbar.
+- *PCA-basierte Morphable Models:* Kontinuierliche Variation möglich, aber Koeffizienten sind nicht inhaltlich interpretierbar und keinen einzelnen anatomischen Merkmalen zuweisbar.
+- Fazit: Gesucht ist eine Variationsform, die **kontinuierlich, inhaltlich benennbar und gezielt steuerbar** ist.
+
+Nur die Verdichtung, keine Scan-Zahlen oder personenspezifische Analysen wiederholen.
+
+### Absatz 2 — Konzeptioneller Leitgedanke (3-4 Sätze)
+
+Der von Wisetchat vorgeschlagene TFM-Ansatz zeigt, dass semantisch benannte Gesichtsmerkmale als explizite Deformationsachsen auf Blendshape-Basis modellierbar sind. Jedes Attribut interpoliert linear zwischen einer Basis- und einer Zielform. Die vorliegende Arbeit greift diesen Grundgedanken auf, wendet ihn aber in einem anderen Kontext an: nicht als interaktives Explorationswerkzeug, sondern als Randomisierungsachse innerhalb einer Synthesepipeline.
+
+TFM als Inspiration, nicht als zweiter Hauptgegenstand. Keine "12 Merkmale, 14 Attribute"-Details.
+
+### Absatz 3 — Wahl des Deformationsmechanismus und Kernidee (5-6 Sätze)
+
+Begründung, warum Blend Shapes (in Blender: Shape-Keys) die Anforderungen aus 4.1 am besten erfüllen:
+- *Lineare Superposition:* Mehrere Formvariationen und die Lidschließung können auf demselben Mesh gleichzeitig und gezielt steuerbar wirken.
+- *Konsistente Kopplung:* Da beide auf einem vereinigten Mesh operieren, verformt sich das Augenlid bei Formänderungen automatisch mit.
+- *Abgrenzung gegen Alternativen, gemessen an den Anforderungen aus 4.1:*
+  - Getrennte Meshes verfehlen die **Kompatibilität**: Formvariation und Lidschließung nicht konsistent koppelbar.
+  - Skelett-Rigs verfehlen die **Interpretierbarkeit**: Rigging bildet lokale Oberflächenmerkmale nicht direkt ab.
+  - Prozedurale Generierung erschwert **Kontrolle und Validierung** (nur ein Halbsatz).
+
+Abschließend die Kernidee als Leitsatz. Randomisierung nur anreißen (Details in 4.3).
+
+**Methodischer Beitrag explizit machen:** "Der methodische Beitrag besteht darin, periorbitale Formvariation nicht als Auswahl zwischen vorgegebenen Modellen und nicht als abstrakten Morphable-Model-Koeffizienten zu behandeln, sondern als Satz explizit benennbarer Deformationsachsen."
+
+### Absatz 4 — Konsequenzen, Grenzen und Verweis auf Kap. 5 (3-4 Sätze)
+
+Auf methodischer Ebene, ohne technische Lösungen vorwegzunehmen:
+- Formvariation betrifft auch angrenzende Strukturen. Augenbrauen und Wimpern müssen deformierbar an die veränderte Oberfläche angebunden werden, das Augenlidmodell muss die veränderte Geometrie mitvollziehen.
+- Lineare Deformationen erzeugen Konsistenzprobleme (z.B. Durchdringung), bestimmte Parameterkombinationen können unplausibel sein. Ergänzende Korrekturmechanismen in Kap. 5.
+- **Scope-Satz:** Ziel ist keine populationsstatistisch validierte morphologische Modellierung, sondern eine anatomisch orientierte, visuell plausible und semantisch steuerbare Variationsachse für die Datensynthese.
+
+## Relevante Referenzen
+
+- `\fref{sec:methodik_gesamtkonzept}` — Anforderungen aus 4.1 (Alternativen daran messen!)
+- `\fref{sec:impl_augenlidmodell}` — Implementierung Augenlidmodell (Kap. 5.3)
+- `\fref{sec:impl_periorbital}` — Implementierung Formvariation (Kap. 5.4)
+- Cite-Keys: `wisetchatDescriptionbasedVisualisationEthnic2018`, `wisetchatFacialModelingMeasurement2024` (TFM), `woodLearningAppearancebasedGaze2016a` (UnityEyes/PCA), `nairRITEyesRenderingNeareye2020` (RIT-Eyes), `woodRenderingEyesEyeShape2015` (SynthesEyes)
+
+## Stilregeln
+
+- Keine Gedankenstriche, keine Semikolons
+- Konzeptuelle Ebene: "Blend Shapes" / "Shape-Keys" als Konzept benennen, keine Blender-spezifischen Details
+- Alternativen an 4.1-Anforderungen messen, nicht geschmacklich abwerten
+- "Gezielt steuerbar" oder "einzeln parametrierbar" statt "unabhängig"
+- Wisetchat: "greift diesen Grundgedanken auf" statt "übernimmt"
+- Randomisierung nur anreißen (4.3-Material)
+- Prozedurale Generierung nur ein Halbsatz
+- NICHT: Krümmungsruck, Normalenprobleme, Modifier-Reihenfolge, Shrinkwrap, haarbasierter Ansatz
--- a/Schreibplan.md
+++ b/Schreibplan.md
@@ -0,0 +1,48 @@
+# Schreibplan 4.3: Konzept der Parametrisierung und Randomisierung
+
+**Dateipfad:** `MasterLatex/content/04_Methodik/3_Parametrisierung.tex`
+**Label:** `\label{sec:methodik_parametrisierung}`
+**Zielumfang:** ca. 1-1,5 Seiten
+
+## Struktur (3 Blöcke)
+
+### Absatz 1 — Variationsachsen der Pipeline: Systematisierung (+ Figur)
+
+Einleitungssatz: Die Parametrisierung macht die Variationsachsen der Pipeline explizit steuerbar und als Achsen der Domain Randomization nutzbar. Die Arbeit erweitert die bestehende Randomisierung um eine zusätzliche geometrische Variationsachse, während andere Teile der Pipeline bewusst konstant gehalten werden, um den Beitrag der neuen Achse klar abzugrenzen.
+
+Systematisierung nach Art der Variation, dann Status:
+- *Kameraparameter:* Position und Winkel -- bestehend
+- *Zustandsparameter des Auges:* Blickrichtung, Pupillengröße, Lidöffnung -- bestehend
+- *Erscheinungsparameter:* textur- und materialbezogene Eigenschaften von Sklera, Iris, Haut und Pupille -- bestehend
+- *Geometrische Formparameter:* Periorbitale Formvariation (die in 4.2 beschriebenen Shape-Keys) -- **neu**
+- *Nicht variiert:* Augengeometrie (Kornea, Bulbus), Beleuchtungsmodell -- bewusst konstant
+
+Figur: Systematisierung der Variationsachsen nach Art, mit Markierung des Status.
+
+### Absatz 2 — Bereichsbasierte Instanziierung (3-4 Sätze)
+
+- Jeder Parameter wird durch einen konfigurierbaren Wertebereich beschrieben. Innerhalb dieses Bereichs werden pro generiertem Bild Parameterwerte nach einer festgelegten Zufallslogik instanziiert.
+- Die neuen Formparameter werden dabei separat instanziiert, ohne fest vorgegebene Kopplung. Problematische Kombinationen werden durch automatische Korrekturmechanismen abgefangen (Verweis auf Kap. 5).
+- Die Wertebereiche wurden heuristisch so gewählt, dass die resultierenden Formen visuell plausibel bleiben und innerhalb des vorgesehenen Anwendungsbereichs stabil generierbar sind.
+- NICHT: JSON-Schema, Config-Datei-Struktur, Datentypen, NumPy-Details
+
+### Absatz 3 — Reproduzierbarkeit (2-3 Sätze)
+
+- Durch Angabe eines Seed-Werts kann die stochastische Parameterinstanziierung reproduzierbar gemacht werden.
+- Identische Konfigurationen und Seeds führen zu reproduzierbaren Parameterinstanziierungen und damit zu vergleichbaren Generierungsbedingungen.
+- Das ist Voraussetzung für die experimentelle Vergleichbarkeit in Kap. 6.
+- NICHT: NumPy-Initialisierung, globaler vs. getrennter RNG, Blender-interne Zufallsquellen
+
+## Relevante Referenzen
+
+- `\fref{sec:methodik_formvariation}` -- Rückbezug auf 4.2
+- `\fref{sec:impl_parametrisierung}` -- Technische Umsetzung in Kap. 5.6
+- `\fref{sec:impl_periorbital}` -- Korrekturmechanismen in Kap. 5.4
+- Kein Vorverweis auf `tab:randomisierte_parameter` -- 4.3 soll eigenständig sein
+
+## Stilregeln
+
+- Keine Gedankenstriche, keine Semikolons
+- Methodenebene: "Wertebereiche", "Zufallslogik", "Seed" als Konzepte
+- Kurz und funktional, nicht redundant zu 4.2
+- "Separat instanziiert" statt "unabhängig"
--- a/Prewrite/Gliederung
+++ b/Prewrite/Gliederung
@@ -80,41 +80,51 @@ Technische Umsetzung. Zeigt konkrete Probleme und Losungen. Hier stehen die Blen
 ### 5.4 Umsetzung der periorbitalen Formvariation
 - Modellierte Shape-Keys, Deformationsbereiche
 - Grenzen der heuristischen Modellierung (sachlich formulieren, siehe Schreibhinweise)
- Korrektur-Shape-Keys mit Drivern: welche Kombinationen kollidieren, wie Driver das losen
+- Korrektur-Shape-Keys mit Drivern: welche Kombinationen kollidieren, wie Driver das lösen

-### 5.5 Anpassung der Segmentierungsausgabe
- Problem: Cryptomatte funktioniert nicht mehr fur Augenlid nach Mesh-Zusammenfuhrung
- Erster Versuch: Geometry Nodes -> Vertex-Group-Gewichte -> Shader-Output (umstandlich, unprazise)
- Losung: Zweite Haut-Textur (weiss fur Augenlid, schwarz fur Rest), direkt uber Texturkoordinate im Shader
-
-### 5.6 Augenbrauen und Wimpern
+### 5.5 Augenbrauen und Wimpern
 - Warum feste Geometrie nicht funktioniert (kurz, Verweis auf Erwahnung in 4.2)
 - Gescheiterter Versuch mit Hair-Particles
 - Funktionierender Hair-Modifier-Ansatz: konkrete Umsetzung
 - Verbleibende Limitierungen und Verbesserungsmoglichkeiten

-### 5.7 Technische Umsetzung der Parametrisierung und Randomisierung
+### 5.6 Technische Umsetzung der Parametrisierung und Randomisierung
 - JSON-Schema-Eintrage fur Shape-Keys (das konkrete Schema, das in 4.3 nur abstrakt beschrieben wurde)
 - min/max-Range-Implementierung
 - Automatisches Sampling und Anwendung auf die Szene
+- Fokus auf Config-Mechanismus, nicht auf Szenenstruktur

-### 5.8 Szenenumbau und View-Layer-Architektur
- Warum der Umbau notig war (kurze Motivierung)
- Technische Schritte: 3 Szenen -> 1 Szene mit 3 ViewLayern
- Konkrete Anderungen am Compositing-Graph, Material-Zuweisungen, Render-Einstellungen
+### 5.7 Szenen- und Ausgabearchitektur (zusammengelegt aus alt-5.5 + alt-5.8)
+#### 5.7.1 Umbau der Szenenstruktur und View-Layer
+- Motivation: Warum 3 Szenen problematisch waren
+- Neue Kollektionsstruktur
+- View-Layer: "All" (vollstandiges Bild), "Iris and Pupil only" (unverdeckte Masken), "No Cornea and Sclera"
+- Hierarchieanderungen nur kurz

-### 5.9 Performance-Optimierungen
+#### 5.7.2 Reimplementierung der Augenlid-Segmentierungsmaske
+- Problem: Mesh-Zusammenfuhrung macht Cryptomatte-Trennung unbrauchbar
+- Verworfener Ansatz: Geometry Nodes / Vertex-Gewichte (Prazision an Vertexdichte gebunden)
+- Finaler Ansatz: UV-basierte Texturmaske, uber AOV ausgegeben
+- Warum besser: praziser, stabil bei Shape-Key-Verformung, kompatibel mit UV-Mapping
+
+#### 5.7.3 Neuaufbau des Compositing-Graphen
+- Konvergenzpunkt: View-Layer-Ausgaben + AOV-Augenlidmaske + Blender-5-Output-Nodes
+- Verbleibende Cryptomatte-Masken (Iris, Pupille, Haut, Sklera)
+- Binarisierung der AOV-Maske (Greater-Than wegen TAA/Interpolation)
+- Gesamtubersicht des finalen Graphen
+
+### 5.8 Performance-Optimierungen
 - **Hierhin kommt der Implementierungsteil aus `0X_PerformanceVerbesserung.tex`**
 - Luminanz-Caching fur Haut-Textur: was im Code geandert wurde
 - Compositing-Graph-Wiederverwendung
 - Anpassung an Sklera-Generierung
 - NUR die Code-Anderungen, nicht die Profiling-Analyse (die ist in 7.2)

-### 5.10 Implementierung der Experimentwerkzeuge
+### 5.9 Implementierung der Experimentwerkzeuge
 - Benchmark-Runner (Worktree-Setup, Commit-basierte Benchmarks, CSV-Logging) -- wichtig fur Reproduzierbarkeit
 - Detail-Logging fur Experiment 1.2
 - Datenextraktions- und Vorbereitungstools -- wichtig fur Datensatzqualitat
- Erweiterungen am Parameter-Picker -- nur kurz erwahnen, UI-Komfortfeatures nicht breittreten. Nur Features, die echten Einfluss auf die Luminanz-Kalibrierung hatten, ausfuhrlicher
+- Erweiterungen am Parameter-Picker -- nur kurz erwahnen, UI-Komfortfeatures nicht breittreten

 ---

@@ -182,7 +192,7 @@ Faustregel: Kap. 7 zeigt, was die Daten zeigen und welche unmittelbaren Schlusse
 ### 7.2 Experiment 1.2: Detaillierte Konfigurationszeit-Analyse
 - **Hierhin kommt die Profiling-Analyse aus `0X_PerformanceVerbesserung.tex`**: Bottleneck-Identifikation, Beurteilung des Optimierungspotenzials
 - Vorher/Nachher-Vergleich der Optimierungen
- Story: Exp 1.1 zeigte hohe Config-Zeit -> detailliertes Profiling -> Bottlenecks identifiziert -> Optimierungen implementiert (Verweis auf 5.9) -> Exp 1.2 misst den Effekt
+- Story: Exp 1.1 zeigte hohe Config-Zeit -> detailliertes Profiling -> Bottlenecks identifiziert -> Optimierungen implementiert (Verweis auf 5.8) -> Exp 1.2 misst den Effekt

 ### 7.3 Experiment 2: YOLO-Training
 (bereits gut geschrieben)
@@ -197,7 +207,7 @@ Der Inhalt verteilt sich auf drei Stellen:
 |--------|------|
 | Phasenbeschreibungen (was jede Timing-Phase misst) | -> **6.4.1** Versuchsaufbau Exp 1.2 |
 | Profiling-Analyse, Bottleneck-Identifikation | -> **7.2** Ergebnisse Exp 1.2 |
-| Code-Anderungen (Luminanz-Caching, Sklera etc.) | -> **5.9** Implementierung |
+| Code-Anderungen (Luminanz-Caching, Sklera etc.) | -> **5.8** Implementierung |

 ---