Master-Student an der TU München und wissenschaftliche Hilfskraft in der Forschungsgruppe von Prof. Daniel Cremers (CVAI). Schwerpunkt liegt
auf Inference-Time Alignment von Diffusions- und Flow-Modellen — insbesondere belohnungsagnostischen Methoden ohne Fine-Tuning oder
differenzierbare Belohnungsfunktionen. Erstautor eines Workshop-Beitrags auf der ICLR 2026.
Bildungsweg
Technische Universität München (TUM)
- Aktueller Schnitt: 1,4
- Schwerpunkt: Maschinelles Lernen, Generative Modelle, Inferenzzeit-Optimierung
- Auslandssemester: Chalmers University of Technology, Schweden (Sep 2024 – Jan 2025)
Technische Universität München (TUM)
- Abschlussnote: 2,5
- Schwerpunkt: Künstliche Intelligenz und Machine Learning
Berufserfahrung
Lehrstuhl für Computer Vision & Artificial Intelligence (CVAI), TU München
Forschung zu Inference-Time Alignment von Diffusions- und Flow-Modellen in der Gruppe von Prof. Daniel Cremers. Beitrag zum
ICLR-2026-Workshop-Paper über Trust-Region-Noise-Optimierung. Parallel zur Masterarbeit im selben Lehrstuhl.
Siemens AG
Entwicklung eines 3D-Feature-Matching-Systems mittels CNN-Embeddings zur automatisierten Bauteilsuche in Fertigungsdatenbanken.
Publikationen
Schweiger, N., Ram, K., & Cremers, D. (2026).
Trust-Region Noise Search for Black-Box Alignment of Diffusion and Flow Models.
ReALM-GEN Workshop @ ICLR 2026, Rio de Janeiro, Brasilien.
Auszeichnungen
Entwicklung von Caire, einer KI-basierten App zur Überwindung von Sprachbarrieren, die medizinische Informationen aus Sprache
extrahiert.
Kenntnisse & Interessen
- Programmierung
- Python (Sehr gut), PyTorch (Sehr gut), C/C++ (Gut), Matlab (Gut), LaTeX
- Sprachen
- Deutsch (Muttersprache), Englisch (C1)
- Interessen
- Fußball, Krafttraining & Joggen, Gitarre (seit 10 Jahren), KI & Naturwissenschaften
