# Plan:
https://docs.google.com/spreadsheets/d/1y17dqZGHrzOrMXtfsVI_F3kI5vPkJVCvuprvxPj-Lt0/edit?gid=0#gid=0
Vorgabe: um die 100 Seiten.

## Abstract deutsch/englisch (je 1 Seite, also 2)
**Am Ende** ggf. von Gibbidy machen lassen 
# 1. Einleitung
(einziges Kapitel ohne Zusammenfassung)
## 1.1 Motivation und Problemstellung (ca. 1 Seite)
- Gehirnerschütterung anhand von Pupillenreflexen erkennen
- Schwierigkeiten dabei
- Warum ist es wichtig, verschiedene Augenformen zu modellieren (Ethnischer Bias, etc.)
## 1.2 Zielsetzung der Arbeit (ca. 1 Seite)
- Zentral: modellieren von verschiedenen Merkmalen der Periorbitalregion
- Forschungsfragen:
	- Die zentrale Forschungsfrage ist dabei: Verbessert das Modellieren von verschiedenen Augenformen die Erkennung durch neuronale Netze auf echten Datensätze?
- Hypothesen:
	- Die Modellierung verschiedener Augenformen trägt nicht zur Verringerung der Domain-Gap bei und verbessert die Detektion nicht (weil z. B. LEyes sehr gut funktioniert)
	- Irgendwie reinbekommen (weil nicht wirklich die Frage gewesen): Der Laufzeit der Generierungspipeline lässt sich verbessern
## 1.3 Aufbau der Arbeit (ca. 1 Seite)
**Am Ende** ggf. von Gibbidy machen Lassen
# 2. Grundlagen (15 - 30% der Arbeit, 15 - 20 Seiten)
- Blender
- Shape-Keys
- Subdivision Surface
- Medizinische Grundlagen
	- Muskeln,
	- Knochen,
	- anderer Kram, der Einfluss auf das Gedöns hat
- Vielleicht kurz Anreißen:
	- synthetische Datengenerierung, Eye-Tracking, Segmentierung, Blender-relevante Begriffe.
# 3. Stand der Forschung (5 bis 17,5%, 4 bis 13 Seiten)
# 4. Methodik (Gibbidys Idee: Konzeption der parametrisierbaren Augenmodell-Pipeline)
# 5. Implementierung
1. Projektstruktur
	- Wie ist der Code organisiert, also Hauptordner, Ordner für Experimente, etc.
2. Blender Kram:
	1. Augenlid
		1. Bisherige Implementierung
		2. Neue Implementierung
	2. Wimpern / Augenbrauen
		1. Bisherige Implementierung
		2. Neue Implementierung
	3. Gesichts-Shape-Keys
3. Beispielausgaben
# 6. Versuchsaufbau
1. Experiment 1: Untersuchung der Laufzeit
2. Experiment 2: Training der Yolo-Modelle
3. Hardware
# 7. Versuchsergebnisse und Analyse (8 - 30%, 4* bis 28 Seiten)
*nicht ganz Fair, weil die bei Jan im Kapitel, das die Experimente erklärt mit drin sind, also eher 8 Seiten
1. Experiment 1: Untersuchung der Laufzeit
2. Experiment 2: Training der Yolo-Modelle
3. Zusammenfassung der Ergebnisse
# 8. Abschluss / Diskussion (4%, 2 bis 4 Seiten)
1. Diskussion der Ergebnisse im Hinblick der Forschungsfragen und Hypothesen / Zentrale Erkenntnisse / Zusammenfassung
2. ggf. Limitationen der Arbeit
	- z. B., dass das Yolo-Training nicht sehr ausführlich war
3. Fazit
4. Ausblick / Future Work
	- Für die Modellierung:
		- Face-Scans versuchen?
		- doch PCAs versuchen?
		- Generative Ansätze mit NNs ausprobieren?
	- Für Performance:
		- Statt Texturen auf der CPU erzeugen, diese per Shader in Blender direkt machen