Magnetresonanz (MR)-Bildgebung ist eine der am weitesten verbreiteten Techniken der medizinischen Bildgebung. Limitationen sind die lange Dauer und die beschränkte quantitative Information, die mit den meisten MR-Techniken einhergehen. Um diese Probleme zu lösen, sollen lernbasierte Verfahren kombiniert mit modellgetriebenen Ansätzen eingesetzt werden. Die Hochdurchsatz-Nano-Computertomographie (NanoCT) basiert auf Transmissionsmessungen von Röntgenstrahlung im hochauflösenden Bereich (bis 60 nm). Neben der üblichen Absorptionsdarstellung können auch Phasen- und Dunkelfeldkontraste rekonstruiert werden. NanoCT erlaubt die hochgenaue Überprüfung von Materialien, wie z.B. Aluminiumlegierungen und faserverstärkten Kunststoffen, die wirtschaftlich von größter Bedeutung sind (z.B. Flugzeugbau, Automobilindustrie, Windkraftanlagen). Die Werkstoffprüfung ist von enormer Bedeutung, um Spannungs-Dehnungs-Beziehungen herzuleiten oder Aussagen über die Materialermüdung zu machen. Neue Anforderungen und Materialien erfordern immer höhere Auflösungen bei gleichzeitigem Hochdurchsatz. Es bedarf ausgeklügelter, neuartiger mathematischer Methoden, um Schwierigkeiten von derzeitigen Geräten, wie Ungenauigkeiten in der Messgeometrie, zu überwinden oder effizientere Rekonstruktionsalgorithmen bei vorliegenden Messdaten aus dem Big Data-Bereich zu entwickeln. Maschinelles Lernen (ML) und insbesondere das Lernen von großen Neuronalen Netzen (NN), das sogenannte Deep Learning (DL), gehören derzeit zu den viralsten und in der Öffentlichkeit breit diskutierten wissenschaftlichen Themen, welche Anwendungen in sehr vielen Forschungsbereichen besitzen. In dem Verbundprojekt DELETO soll die mathematische Forschung von DL bei der Lösung inverser Probleme entscheidend vorangetrieben werden, um die aufgrund der großen Datenmengen rechenaufwändigen Rekonstruktionsmethoden, basierend auf Structural Priors und Motion Correction im Bereich der korrelativen MR und der Hochdurchsatz-NanoCT, exakter und effizienter zu gestalten. Ziel ist es diese Methoden in den Geräten der nächsten Generation zu integrieren. Hierfür arbeiten wir eng mit entsprechenden Industriepartnern zusammen. Es sollen erstmalig modellgestützte sowie datengetriebene Methoden in den Big Data-Technologien der korrelativen Magnetresonanz-Bildgebung sowie in der Hochdurchsatz-NanoCT Anwendung finden und so zu verbesserten Geräten der nächsten Generation führen. Die Universität Bremen beteiligt sich an DELETO mit dem Teilprojekt „Invertierbare Residuale Netzwerke“, in dem theoretische Untersuchungen über die Regulierungseigenschaften bestimmter Netzwerkarchitekturen, invertierbare residuale Netzwerke (IRN), angestrebt werden.