Dr. Sören Dittmer
Wissenschaftlicher Mitarbeiter der AG Technomathematik, Research Training Group π3Projekte
- Design-KIT: Künstliche Intelligenz in der mechanischen Bauteilentwicklung; TP: Deep Learning zur Geometrieerzeugung von mechanischen Bauteilen (01.10.2020 - 31.03.2022)
- Magnetic Particle Imaging (seit 01.03.2016)
Veranstaltungen (Auswahl)
- Mathematical Foundations of AI (Sommersemester 2022)
Abschlussarbeiten (Auswahl)
- Differentiable architecture search - Fractional Kernel sizes in convolutional neural networks (Daniel Klosa)
Publikationen (Auswahl)
- 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.
Classification of datasets with imputed missing values: does imputation quality matter?
Zur Veröffentlichung eingereicht.online unter: https://arxiv.org/abs/2206.08478
- 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. Dittmer, C. Schönlieb, P. Maaß.
Ground Truth Free Denoising by Optimal Transport.
Erscheint in Numerical Algebra, Control, and Optimizationonline 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.online unter: https://journal.iwmpi.org/index.php/iwmpi/article/view/148
- 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