Zum Hauptinhalt springen

Dr. Sören Dittmer

Bild Sören Dittmer

Dr. Sören Dittmer

Wissenschaftlicher Mitarbeiter

Team Deep Learning und Inverse Probleme

Bibliothekstraße 5
28359 Bremen

Raum: MZH 2230
Telefon: +49 0421 218-63806
E-Mail: sdittmerprotect me ?!math.uni-bremenprotect me ?!.de

Forschungsgebiete

  • Inverse Probleme
  • Deep Learning
  • Magnetic Particle Imaging

Projekte

  • Design-KIT - Künstliche Intelligenz in der mechanischen Bauteilentwicklung

Abschlussarbeiten

  • Differentiable architecture search - Fractional Kernel sizes in convolutional neural networks, Masterarbeit, Daniel Klosa, 2020
  • Nutzung verallgemeinerter Singulärwerte zur Untersuchung künstlicher neuronaler Netze - Bachelorarbeit, Julian Tobias Gebken, 2019


Zeitschriftenartikel

S. Dittmer, C. Schönlieb, P. Maaß.
Ground Truth Free Denoising by Optimal Transport.
Erscheint in Numerical Algebra, Control, and Optimization
online unter: https://arxiv.org/abs/2007.01575

 S. Dittmer, T. Kluth, M. Henriksen, P. Maaß.
Deep image prior for 3D magnetic particle imaging: A quantitative comparison of regularization techniques on Open MPI dataset.
International Journal on Magnetic Particle Imaging, 7(1), 2021.
DOI: 10.18416/IJMPI.2021.2103001
online unter: https://journal.iwmpi.org/index.php/iwmpi/article/view/148

S. Dittmer, T. Kluth, P. Maaß, D. Otero Baguer.
Regularization by architecture: A deep prior approach for inverse problems.
Journal of Mathematical Imaging and Vision :456-470, Springer Verlag, 2020.
DOI: 10.1007/s10851-019-00923-x
online unter: http://link.springer.com/article/10.1007/s10851-019-00923-x

S. Dittmer, E. King, P. Maaß.
Singular values for ReLU layers.
IEEE Transactions on Neural Networks and Learning Systems, Article , 2019.
online unter: https://ieeexplore.ieee.org/document/8891761


Preprints

T. Shadbahr, M. Roberts, J. Stanczuk, J. Gilbey, P. Teare, S. Dittmer, M. Thorpe, R. V. Torne, E. Sala, P. Lio, M. Patel, .. AIX-COVNET Collaboration, J. H. F. Rudd, T. Mirtti, A. Rannikko, J. A. D. Aston, J. Tang, C. Schönlieb.
Classification of datasets with imputed missing values: does imputation quality matter?
Zur Veröffentlichung eingereicht.
online unter: https://arxiv.org/abs/2206.08478

T. Grossmann, S. Dittmer, Y. Korolev, C. Schönlieb.
Unsupervised Learning of the Total Variation Flow.
Zur Veröffentlichung eingereicht.
online unter: https://arxiv.org/abs/2206.04406#

S. Mukherjee, S. Dittmer, Z. . Shumaylov, S. Lunz, O. Öktem, C. Schönlieb.
Learned convex regularizers for inverse problems.
Zur Veröffentlichung eingereicht.
online unter: https://arxiv.org/abs/2008.02839

S. Dittmer, P. Maaß.
A Projectional Ansatz to Reconstruction.
Zur Veröffentlichung eingereicht.
online unter: https://arxiv.org/abs/1907.04675

J. Behrmann, S. Dittmer, P. Fernsel, P. Maaß.
Analysis of Invariance and Robustness via Invertibility of ReLU-Networks.
Zur Veröffentlichung eingereicht.
online unter: https://arxiv.org/abs/1806.09730


Tagungsbeiträge

S. Dittmer, T. Kluth, D. Otero Baguer, B. Maass.
A Deep Prior Approach to Magnetic Particle Imaging.
Machine Learning for Medical Image Reconstruction 2020.
Springer International Publishing, F. Deeba, P. Johnson, T. Würfl, J. C. Ye (Hrsg.), S. 113-122, 2020.