Prof. Dr. Dr. h.c. Peter Maaß

Research Areas

• Inverse problems
• Machine learning
• signal and image analysis in life sciences
• computational engineering
• system theory and parameteridentifikation

Leader of Projects

1. Design-KIT: Artificial Intelligence in mechanical component development; TP: Deep Learning for geometry generation of mechanical components (01.10.2020 - 31.03.2022)
2. AGENS - Analytical-generative Networks for System Identification (01.04.2020 - 31.03.2023)
3. HYDAMO - Hybrid data-driven and model-based simulation of complex flow problems in the automotive industry (01.04.2020 - 31.03.2023)
4. SPAplus: Small data problems in digital pathology and measures accompanying the programme (01.04.2020 - 31.03.2023)
5. DIAMANT - Digital Image Analysis and Imaging Mass Spectrometry to Differentiate Non-small Cell Lung Cancer (01.01.2020 - 31.12.2022)
6. Studie zur Qualitätsbewertung, Standardisierung und Reproduzierbarkeit von Daten der bildgebenden MALDI-Massenspektrometrie – MALDISTAR (01.07.2019 - 30.06.2022)
7. EU-ROMSOC: Project ''Data Driven Model Adaptations of Coil Sensitivities in MR Systems'' (01.11.2017 - 30.04.2021)
8. BMBF-MPI²: Model-based parameter identification in magnetic particle imaging (01.12.2016 - 30.11.2019)
9. Neural networks in MALDI imaging (since 01.10.2016)
10. DFG-Graduiertenkolleg: π³ Parameter Identification – Analysis, Algorithms, Applications (01.10.2016 - 31.03.2021)

Courses (Selection)complete list

1. Mathematical Foundations of AI (Sommersemester 2023)
2. Mathematical Foundations of Machine Learning (Sommersemester 2023)
3. Mathematical Foundations of Data Analysis (Wintersemester 2022/2023)
4. Inverse Problems (Wintersemester 2022/2023)
5. Mathematical Foundations of Machine Learning (Sommersemester 2022)

betreute/begutachtete Dissertationen (Selection)complete list

1. Tikhonov Functionals Incorporating Tolerances in Discrepancy Term for Inverse Problems (Phil Gralla)
2. Hybrid Deep Learning: How Combining Data-Driven and Model-Based Approaches Solves Inverse Problems in Computed Tomography and Beyond (Maximilian Schmidt)
3. Nonnegative Matrix Factorization: Theory, Algorithms and Applications (Pascal Fernsel)
4. Regularization of ill-posed inverse problems with tolerances and sparsity in the parameter space (Georgia Sfakianaki)
5. On deep learning applied to inverse problems - A chicken-and-egg problem (Sören Dittmer)

Theses (Selection)complete list

1. A different approach of the Deep Image Prior on CT-Imaging (Pegah Golchian)
2. Inversion of the Modulo Radon Transform via direct Fourier Reconstruction Methods (Meira Iske)
3. Das universelle Approximationsproblem für neuronale Netze und numerische Tests für niedrig-dimensionale inverse Probleme (Malte Lorenzen)
4. Long-term Forecasting of Energy Consumption Data using Attention-based Neural Networks (Cécile Pot d'or)
5. Optimal Filter Functions in X-Ray Computed Tomography (Judith Nickel)

Patents

2. P. Maaß, J. H. Kobarg, F. Alexandrov, P. Vandergheynst, M. Goldabaee.
   Verfahren zum rechnergestützten Verarbeiten von räumlich aufgelösten Hyperspektraldaten, insbesondere von Massenspektrometriedaten.
   German Patent and Trade Mark Office DE102013207402A1,
   Number of registration: 1020132074, Date of registration: 24.04.2013.
   Published in patent bulletin no.: on 30.10.2014.
4. P. Maaß, J. Oetjen, L. Hauberg-Lotte, F. Alexandrov, D. Trede.
   Verfahren zur rechnergestützten Analyse eines oder mehrerer Gewebeschnitte des menschlichen oder tierischen Körpers.
   German Patent and Trade Mark Office DE102014224916A1,
   Number of registration: 1020142249, Date of registration: 04.12.2014.
   Published in patent bulletin no.: on 06.09.2016.
   US Patent & Trademark Office, US 20160163523 A1,
   Anmeldenummer: 14/959967 , Anmeldedatum: 04.12.2014.
   Veröffentlicht am 09.06.2016
   Intellectual Property Office, GB 2535586,
   Anmeldenummer: GB1521058.6, Anmeldedatum: 30.11.2015.
   Veröffentlicht am 24.08.2016
   Institut national de la propriété industrielle, FR 3029671 A1,
   Anmeldenummer: FR1561774, Anmeldedatum: 03.12.2015.
   Veröffentlicht am 10.06.2016
6. D. Trede, P. Maaß, H. Preckel.
   Method for analysing the effect of a test substance on biological and/or biochemical samples.
   US Patent and Trademark Office US2011/0098198 A1,
   Number of registration: 2011009819, Date of registration: 29.04.2009.
   Published in patent bulletin no.: PCT/EP09/55187 on 28.04.2011.
8. D. Trede, P. Maaß, F. Alexandrov.
   Verfahren und Vorrichtung zur rechnergestützten Verarbeitung eines digitalisierten Bildes sowie maschinenlesbarer Datenträger.
   German Patent and Trade Mark Office 10 2011 003 242.8,
   Number of registration: 102011003, Date of registration: 27.01.2011.
   Published in patent bulletin no.: on 02.08.2012.
10. D. Trede, P. Maaß, H. Preckel.
    Verfahren zur Analyse der Wirkung einer Testsubstanz auf biologische und/oder biochemische Proben.
    European Patent Office EP2128815,
    Number of registration: 8155784, Date of registration: 07.05.2008.
    Published in patent bulletin no.: 2009/49 on 02.12.2009.
12. P. Maaß, A. K. Louis.
    Verfahren und Vorrichtung zur dreidimensionalen Computertomographie.
    German Patent and Trade Mark Office DE19623271A1,
    Number of registration: 19623271, Date of registration: 31.05.1996.
    Published in patent bulletin no.: 1997/49 on 04.12.1997.
14. P. Maaß.
    Verfahren zur Segmentierung von Zeichen.
    German Patent and Trade Mark Office DE19533585C1,
    Number of registration: 19533585, Date of registration: 01.09.1995.
    Published in patent bulletin no.: 1997/02 on 09.01.1997.

Publications (Selection)complete list

1. R. Herdt, M. Schmidt, D. Otero Baguer, J. Le Clerc Arrastia, P. Maaß.
   Model Stitching and Visualization How GAN Generators can Invert Networks in Real-Time.
   Zur Veröffentlichung eingereicht.

   online at: https://arxiv.org/abs/2302.02181

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. S. Dittmer, D. Erzmann, H. Harms, P. Maaß.
   SELTO: Sample-Efficient Learned Topology Optimization.
   Zur Veröffentlichung eingereicht.

   online at: https://arxiv.org/abs/2209.05098

4. D. Erzmann, S. Dittmer, H. Harms, P. Maaß.
   DL4TO: A Deep Learning Library for Sample-Efficient Topology Optimization.
   Zur Veröffentlichung eingereicht.
5. H. Bock, K. Küfer, P. Maaß, A. Milde, V. Schulz (Eds.).
   German Success Stories in Industrial Mathematics .
   Mathematics in Industrie, 167 pages, Springer Verlag, 2022.

   DOI: 10.1007/978-3-030-81455-7