Publikationen der AG Technomathematik

Monografien (1)

1. S. Arridge, P. Maaß, C. Schönlieb (Hrsg.).
   Deep learning for PDE-based inverse problems.
   Oberwolfach Reports, 21(4):2805-2900, 96 Seiten, Mathematisches Forschungsinstitut Oberwolfach (MFO), 2025.

   DOI: 10.4171/OWR/2024/48

Zeitschriftenartikel (4)

1. J. Gödeke, A. Richter, K. Lange, P. Maaß, H. Hong, H. Lee, J. Park.
   Hourly surface nitrogen dioxide retrieval from GEMS tropospheric vertical column densities: benefit of using time-contiguous input features for machine learning models.
   Atmospheric Measurement Techniques, 18(15), 3747–3779, 2025.

   DOI: 10.5194/amt-18-3747-2025

2. B. Hahn, P. Maaß, A. Rieder, T. Schuster.
   In memoriam Alfred K Louis.
   Inverse Problems, No. 020201 41(2), 2025.

   DOI: 10.1088/1361-6420/ad9cb6

3. M. Beckmann, J. Nickel.
   Optimized filter functions for filtered back projection reconstructions.
   Inverse Problems and Imaging, , 2025.

   DOI: 10.3934/ipi.2025003

4. R. Barbano, A. Denker, H. Chung, T. H. Roh, S. Arridge, P. Maaß, B. Jin, J. C. Ye.
   Steerable conditional diffusion for out-of-distribution adampation in medical image reconstruction.
   IEEE Transactions on Medical Imaging, 44(5), 2093:2104, 2025.

   DOI: 10.1109/TMI.2024.3524797

Preprints (3)

1. A. Denker, F. Margotti, J. Ning, K. Knudsen, D. Nganyu Tanyu, B. Jin, A. Hauptmann, P. Maaß.
   Deep Learning Based Reconstruction Methods for Electrical Impedance Tomography.
   Zur Veröffentlichung eingereicht.

   DOI: 10.48550/arXiv.2508.06281

2. M. Iske, H. Albers, T. Knopp, T. Kluth.
   Learned Discrepancy Reconstruction and Benchmark Dataset for Magnetic Particle Imaging.
   Zur Veröffentlichung eingereicht.

   online unter: https://arxiv.org/html/2501.05583v1

3. J. Gödeke, P. Fernsel.
   New universal operator approximation theorem for encoder-decoder architectures (Preprint).
   Zur Veröffentlichung eingereicht.

   online unter: https://arxiv.org/abs/2503.24092