Disputation i Datateknik med med Samuel Willingham

Om avhandlingen

Vid bildtagning eller bildbearbetning stöter man ofta på störningar såsom brus eller oskärpa. Att återställa en ren bild från en sådan försämrad observation kallas för ett inversproblem. Tyvärr är många inversproblem dåligt ställda och tillåter inte någon direkt lösning, vilket leder till ett behov av ytterligare begränsningar avseende vad som utgör en ren bild. Denna ytterligare information kallas för ”prior” och används vid bildåterställning i form av regularisering, vilket vanligtvis utförs av djupa neurala nätverk. 

Detta arbete syftar till att förbättra förståelsen för bildregularisering genom att undersöka teori och träningsmetoder för regularisatorer. De två första arbetena undersöker träningen av djupa a priori-fördelningar i Maximum a Posteriori (MAP)-algoritmer; detta görs genom att utvidga Deep Equilibrium (DEQ)-modeller, som möjliggör träning av fullständiga iterativa ramverk, till multitask-träning av MAP-algoritmer.

Den tredje och fjärde studien undersöker en tillämpning av MAP-tränning på generativ återställning, inklusive en föreslagen förlustfunktion för MAP-tränning. Resultaten visade att DEQ-tränning för flera uppgifter i kombination med matematiskt välgrundade förluster kan leda till stark rekonstruktionsprestanda utan att påverka inferenstiden.

Mer information

Datum: 30 november 2026

Tid:14:00

Plats: Inria Centre, Rennes University samt via Zoom (zoomlänken kommer att tillhandahållas närmare disputationen)

Doktorsavhandling: "Learning Methods for Inverse Problems in Imaging".

Svarande: Samuel Willingham. 

Handledare och ordförande: Professor Mårten Sjöström, Mittuniversitetet och Dr. Christine Guillemot, Rennes University.

Granskningskommitté:  

Dr. Andrés Almansa, MAP5 Université Paris Cité, FR 

Prof. Saïd Moussaoui, Centrale de Nantes, FR 

Dr. Luca Calatroni, University of Genoa, IT 

Prof. Gabriele Facciolo, Centre Borelli, ENS Paris Saclay, FR

Dr. Charles Kervrann, Inria Rennes, FR