Wie lerne ich physikalische Modelle aus Daten? Kann ich generativen Modellen in der medizinischen Bildgebung vertrauen? Wie lassen sich Magnetresonanzbilder aus verrauschten, unvollständigen Daten rekonstruieren?

Mit Fragen wie diesen beschäftigt sich unsere Forschungsgruppe, die an der Schnittstelle von Mathematik, Informatik und interdisziplinären Anwendungen arbeitet. In früheren Arbeiten haben wir Methoden entwickelt, um Fehlerschranken für generative Modelle in der Bildgebung vorherzusagen, um Teile physikalischer Modelle aus Daten zu lernen oder um dynamische Magnetresonanzbilder des schlagenden Herzens zu rekonstruieren. Wir haben außerdem an interdisziplinären Anwendungen in der Elektronentomographie, Notfallmedizin oder Positronen-Emissions-Tomographie gearbeitet.

Unsere aktuellen methodischen Forschungsschwerpunkte sind generative Modelle des maschinellen Lernens, inverse Probleme für partielle Differentialgleichungen mit gelernten Komponenten und Variationsmethoden in der Bildgebung. Die Beiträge unserer Arbeit sind sowohl mathematischer Natur und umfassen mathematische Analysis und neuartige Methoden des maschinellen Lernens, als auch stark anwendungsorientiert und umfassen die Implementierung und Veröffentlichung von parallelisierten Algorithmen und Software-Tools für den Umgang mit großen Datenmengen. 
Im Rahmen unserer Forschung sind wir immer daran interessiert, neue, interdisziplinäre Anwendungsfelder gemeinsam mit Kooperationspartner:innen zu erschließen und mit Methoden des Maschinellen Lernens einen positiven Einfluss auf Wissenschaft, Technik und Gesellschaft zu generieren.

Weitere Informationen und alle Veröffentlichungen unserer Gruppe finden Sie auf der Website des Leiters unserer Forschungsgruppe.