Syn4Syn verfolgt das Ziel, 3D-Datensätze auf der Basis von Echtwelt-Daten naturgetreu zu synthetisieren, um damit 3D-Bildauswertungen auf der Basis von tiefen neuronalen Netzen zu trainieren und so Möglichkeiten zu etablieren, um im Experiment erhaltene 3D-Zellkulturen zuverlässig automatisiert zu bewerten. Insbesondere optische Effekte in den 3D-Aufnahmen (Punktspreizung, Bleaching, abnehmende Fluoreszenz in der Tiefe etc.) sowie biophysikalische Vorgänge (Grenzflächenspannungen, Migrationsbewegungen etc.) führen zu Inhomogenitäten in den Aufnahmen, die durch physikalische Modellierung nachgebildet werden müssen. Diese physikalischen Modelle sollen in das Training der tiefen neuronalen Netze mit einfließen, um auch bei wenigen Trainingsdaten synthetische Bilder mit hohem Realitätsgrad zu generieren (inkl. der zugehörigen Ground-Truth). Um fachfremden Anwendern die entstehenden Methoden zugänglich zu machen, sind sie in grafische Benutzerschnittstellen zu kapseln und entsprechend zu dokumentieren. Die Algorithmen werden der Community in GIT-Verzeichnissen verfügbar gemacht, die Daten auf Cloud-Plattformen.