Logo Uni Bremen

Zentrum für Technomathematik

ZeTeM > Über das ZeTeM > Mitarbeiter*innen > Alexander Denker

Kontakt Sitemap Impressum [ English | Deutsch ]

Alexander Denker

Wissenschaftlicher Mitarbeiter der AG Technomathematik, Research Training Group π3

Raum: MZH 2285
E-Mail: adenker
Telefon: (0421) 218-63897

Information: Email endet auf @uni-bremen.de

Abschlussarbeiten (Auswahl)vollständige Liste

  1. Adversarial Examples in Deep-Learning-Rekonstruktionen am Beispiel von Computer-Tomographie (Fabian Schönfeld)
  2. Fehlererkennung und –segmentierung von Stahlcoils unter Verwendung des Contrastive Learnings (Dennis Hottendorff)

Publikationen (Auswahl)vollständige Liste

  1. 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

  2. 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

  3. R. Barbano, J. Leuschner, M. Schmidt, A. Denker, P. Maaß, B. Jin.
    Is Deep Image Prior in Need of a Good Education?
    Zur Veröffentlichung eingereicht.

    online unter: https://arxiv.org/abs/2111.11926

  4. 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

  5. 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