PatchNR: Learning from Very Few Images by Patch Normalizing Flow Regularization.
von Fabian Altekrüger, Alexander Denker, Paul Hagemann, Johannes Hertrich, Peter Maass, Gabriele Steidl
Jahr:
2022
Publikation:
Inverse Problems
Abstrakt:
Learning neural networks using only few available information is an important ongoing research topic with tremendous potential for applications. In this paper, we introduce a powerful regularizer for the variational modeling of inverse problems in imaging.
Link:
Read the paperAdditional Information
Brief introduction of the dida co-author(s) and relevance for dida's ML developments.
Dr. Fabian Altekrüger
Fabian legte während seines Mathematikstudiums an der TU Berlin seinen Fokus auf Themen der Funktionalanalysis. In seiner anschließenden Promotion beschäftigte er sich mit der Regularisierung und Lösung Bayesscher inverser Probleme in der mathematischen Bildverarbeitung, wobei er mathematische Methoden mit neuronalen Netzen kombinierte. Dabei entwickelte und nutzte Fabian unter anderem bedingte generative Modelle, stets mit Blick auf die Stabilität und Robustheit der Methoden. Bei dida bringt er seine Fähigkeiten als Machine Learning Scientist ein.