Alexander Denker

Alexander Denker

Alexander Denker

Wissenschaftlicher Mitarbeiter

Doktorand Graduiertenkolleg π3
Team Deep Learning und Inverse Probleme

Bibliothekstraße 5
28359 Bremen

Raum: MZH 2410
Telefon: +49 421 218-63897
E-Mail: adenkerprotect me ?!uni-bremenprotect me ?!.de

Forschungsgebiete

  • Deep Learning
  • Inverse Probleme
  • Computertomographie

Projekte

  • Graduiertenkolleg π³ - Parameter Identification – Analysis, Algorithms, Applications
  • MALDISTAR - Studie zur Qualitätsbewertung, Standardisierung und Reproduzierbarkeit von Daten der bildgebenden MALDI-Massenspektrometrie

 

Zeitschriftenartikel

C. Arndt, A. Denker, J. Nickel, J. Leuschner, M. Schmidt, G. Rigaud.
In Focus - hybrid deep learning approaches to the HDC2021 challenge.
Inverse Problems and Imaging,  2022.
DOI: 10.3934/ipi.2022061

R. Barbano, J. Leuschner, M. Schmidt, A. Denker, A. Hauptmann, P. Maaß, B. Jin.
An Educated Warm Start For Deep Image Prior-based Micro CT Reconstruction.
IEEE Transactions on Computational Imaging, 8:1210-1222, 2022.
DOI: 10.1109/TCI.2022.3233188

A. Denker, M. Schmidt, J. Leuschner, P. Maaß.
Conditional Invertible Neural Networks for Medical Imaging .
MDPI Journal of Imaging, Inverse Problems and Imaging 7(11), 243 S., 2021.
DOI: 10.3390/jimaging7110243

J. Leuschner, M. Schmidt, P. Ganguly, V. Andriiashen, S. Coban, A. Denker, D. Bauer, A. Hadjifaradji, K. Batenburg, B. Maass, M. von Eijnatten.
Quantitative Comparison of Deep Learning-Based Image Reconstruction Methods for Low-Dose and Sparse-Angle CT Applications.
MDPI Journal of Imaging, 7(3), 44 S., 2021.
DOI: 10.3390/jimaging7030044
online unter: https://www.mdpi.com/2313-433X/7/3/44

 

Preprints

C. Arndt, A. Denker, S. Dittmer, N. Heilenkötter, M. Iske, T. Kluth, P. Maaß, J. Nickel.
Invertible residual networks in the context of regularization theory for linear inverse problems.
Zur Veröffentlichung eingereicht.
online unter: https://arxiv.org/abs/2306.01335

F. Altenkrüger, A. Denker, P. Hagemann, P. Maaß, G. Steidl.
PatchNR: Learning from Very Few Images by Patch Normalizing Flow Regularization.
Zur Veröffentlichung eingereicht.
online unter: https://arxiv.org/abs/2205.12021

 

Tagungsbeiträge

M. Schmidt, A. Denker, J. Leuschner.
The Deep Capsule Prior - advantages through complexity.
GAMM 92st Annual Meeting of the international Association of Applied Mathematics and Mechanics, online, 15.03.2021 - 19.03.2021.
Proceedings in Applied Mathematics & Mechanics, 21(1), WILEY-VCH, 2021.
DOI: 10.1002/pamm.202100166

A. Denker, M. Schmidt, J. Leuschner, P. Maaß, J. Behrmann.
Conditional Normalizing Flows for Low-Dose Computed Tomography Image Reconstruction.
ICML Workshop on Invertible Neural Networks, Normalizing Flows, and Explicit Likelihood Models, 18.07-18.07.2020, Wien, Österreich.
online unter: https://invertibleworkshop.github.io/accepted_papers/index.html

 

 

2020

Masterarbeit am ZeTeM, "Application of Neural Networks For Solving Inverse Problems."

2017

Bacherlorarbeit am ZeTeM, "Deep-Learning-Konzepte zur Optimierung von ISTA-Verfahren."