Prof. Dr. Manuel Günther trat im Juli 2020 seine Stelle als Assistenzprofessor für Künstliche Intelligenz und Maschinelles Lernen am Institut für Informatik der Universität Zürich an. Sein Diplom in Informatik mit dem Schwerpunkt Maschinelles Lernen erhielt er 2004 an der Technischen Universität Ilmenau, Deutschland. Seine Doktorarbeit wurde im Institut für Neuroinformatik an der Ruhr Universität Bochum, Deutschland, zwischen 2004 und 2011 über statistische Erweiterungen von Gabor-graphenbasierten Gesichtserkennungs-, Erkennungs- und Klassifikationstechniken geschrieben. Schließlich erhielt er 2012 seinen Doktortitel (Dr.-Ing.) von der Technischen Universität Ilmenau.

Zwischen 2012 und 2015 war Prof. Günther als Postdoktorand in der Gruppe Biometrie am Forschungsinstitut Idiap in Martigny, Schweiz, tätig. Seitdem beteiligt er sich aktiv an der Implementierung der Open-Source-Bibliothek Bob für Signalverarbeitung und maschinelles Lernen. Er war der führende Entwickler der Biometric Recognition Packages, einer Bibliothek zur Durchführung von biometrischen Erkennungsprogrammen, die er als  hands-on Tutorial an der International Joint Conference on Biometrics, 2017, vorstellte.

Von 2015 bis 2018 arbeitete Prof. Günther als wissenschaftlicher Mitarbeiter am Vision and Security Technology Lab an der University of Colorado Colorado Springs, Colorado, USA. Dort entwickelte er Algorithmen für die ausrichtungsfreie Klassifikation von Gesichtsattributen aus Einzelbildern. Zu seinen Forschungsarbeiten gehörte auch die Klassifikation von Proben unter dem Vorhandensein unbekannter Klassen. Insbesondere entwickelte er Algorithmen für die Open-Set-Identifikation von menschlichen Gesichtern, die er in zwei von ihm selbst geleiteten Challenges «Unconstrained Face Detection» und «Open Set Recognition»" anwandte.

Nach einer kurzen Industrieexkursion bei der trinamiX GmbH in Ludwigshafen, Deutschland, nahm Prof. Günther einen Ruf als Assistenzprofessor an die Fakultät für Informatik an. Dort setzt er seine Forschungen zur Klassifikation des Unbekannten und zur automatischen Gesichtserkennung fort. Zu seinen Forschungsinteressen gehören auch deep learning im Allgemeinen und das Phänomen der «adversarial samples» im Besonderen. Darüber hinaus fördert er die Idee der reproduzierbaren Forschung, die es Forschern ermöglicht, ihre Arbeit auf dem neuesten Stand der Technik zu beginnen.