Logo Uni Bremen

Zentrum für Technomathematik

ZeTeM > Über das ZeTeM > Mitarbeiter*innen > Dr. Sören Dittmer

Kontakt Sitemap Impressum [ English | Deutsch ]
Bild Dr. Sören Dittmer

Dr. Sören Dittmer

Wissenschaftlicher Mitarbeiter der AG Technomathematik, Research Training Group π3

Raum: MZH 2230
E-Mail: sdittmer@math.uni-bremen.de
Telefon: (0421) 218-63806

Projekte

  1. Design-KIT: Künstliche Intelligenz in der mechanischen Bauteilentwicklung; TP: Deep Learning zur Geometrieerzeugung von mechanischen Bauteilen (01.10.2020 - 31.03.2022)
  2. Magnetic Particle Imaging (seit 01.03.2016)

Veranstaltungen (Auswahl)vollständige Liste

  1. Mathematical Foundations of AI (Sommersemester 2022)

Abschlussarbeiten (Auswahl)vollständige Liste

  1. Inverse Problems Learning – data specific regularizations using projections (Julius Arkenberg)
  2. Unsupervised Denoising von Magnetic-Particle-Imaging-Messungen durch Neuronale Netze (Nikolas Dreverhoff)
  3. Differentiable architecture search - Fractional Kernel sizes in convolutional neural networks (Daniel Klosa)

Publikationen (Auswahl)vollständige Liste

  1. S. Dittmer, C. Schönlieb, P. Maaß.
    Ground Truth Free Denoising by Optimal Transport.
    Erscheint in Numerical Algebra, Control, and Optimization

    online unter: https://arxiv.org/abs/2007.01575

  2. 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

  3. 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#

  4. 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

  5. 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