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


  • Inverse Probleme
  • Deep Learning
  • Magnetic Particle Imaging


  • Design-KIT - Künstliche Intelligenz in der mechanischen Bauteilentwicklung


  • 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


C. Arndt, A. Denker, S. Dittmer, J. Leuschner, J. Nickel, M. Schmidt.
Model-based deep learning approaches to the Helsinki Tomography Challenge 2022.
Applied Mathematics for Modern Challenges, 1(2), 2023.
DOI: 10.3934/ammc.2023007

Dittmer, S., Roberts, M., Gilbey, J., Biguri, A., AIX-COVNET Collaboration, Preller, J., Rudd, J.H.F., Aston, J.A.D., Schönlieb, C.-B..
Navigating the development challenges in creating complex data systems.
Nat Mach Intell5, 681–686, 2023.
DOI: 10.1038/s42256-023-00665-x
online unter: https://www.nature.com/articles/s42256-023-00665-x

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.
The impact of imputation quality on machine learning classifiers for datasets with missing values.
Commun Med3, 139, 2023.
DOI: 10.1038/s43856-023-00356-z
online unter: https://www.nature.com/articles/s43856-023-00356-z#citeas

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.
Inverse Problems, 39(12), 2023.
DOI 10.1088/1361-6420/ad0660.
online unter: iopscience.iop.org/article/10.1088/1361-6420/ad0660

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



M. Roberts, A. Hazan, S. Dittmer, J.H.F. Rudd, C.-B. Schönlieb.
The curious case of the test set AUROC.
Zur Veröffentlichung eingereicht.

D. Erzmann, S. Dittmer.
Equivariant Neural Operators for gradient-Consistent Topology Optimization.
Zur Veröffentlichung eingereicht.

C. Arndt, S. Dittmer, N. Heilenkötter, M. Iske, T. Kluth, J. Nickel.
Bayesian view on the training of invertible residual networks for solving linear inverse problems.
Zur Veröffentlichung eingereicht.
online unter: https://www.x-mol.net/paper/article/1682514725633245184

S. Dittmer, M. Roberts, J. Preller, .. AIX-COVNET Collaboration, J. H. F. Rudd, J. A. D. Aston, C. Schönlieb.
Reinterpreting survival analysis in the universal approximator age.
Zur Veröffentlichung eingereicht.

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


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.