Johannes Leuschner

Wissenschaftlicher Mitarbeiter der AG Technomathematik, Research Training Group π³


Information: Email endet auf @uni-bremen.de

Forschungsgebiete

• Computertomographie
• Deep Learning
• Inverse Probleme

Veranstaltungen (Auswahl)vollständige Liste

1. Computerpraktikum (Wintersemester 2020/2021)
2. Computerpraktikum (Wintersemester 2019/2020)

Abschlussarbeiten (Auswahl)vollständige Liste

1. Modellierung von Geometrieabweichungen bei der Nano-Computertomographie (Tom Lütjen)
2. Using Neural Networks to Denoise CT Images (Rudolf Herdt)

Publikationen (Auswahl)vollständige Liste

1. 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

2. 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

3. J. Antorán, R. Barbano, J. Leuschner, J. M. Hernández-Lobato, B. Jin.
   Uncertainty Estimation for Computed Tomography with a Linearised Deep Image Prior.
   Zur Veröffentlichung eingereicht.

   online unter: https://arxiv.org/abs/2203.00479

4. R. Barbano, J. Leuschner, J. Antorán, B. Jin, J. M. Hernández-Lobato.
   Bayesian Experimental Design for Computed Tomography with the Linearised Deep Image Prior.
   Zur Veröffentlichung eingereicht.

   online unter: https://arxiv.org/abs/2207.05714

5. P. Maaß, S. Dittmer, T. Kluth, J. Leuschner, M. Schmidt.
   Mathematische Architekturen für Neuronale Netze.
   Erfolgsformeln – Anwendungen der Mathematik, M. Ehrhardt, M. Günther, W. Schilders (Hrsg.), Mathematische Semesterberichte, S. 190-195, Springer Verlag, 2022.

   DOI: 10.1007/s00591-022-00325-y

© Zentrum für Technomathematik 2008-2020