Organizing Committee
Comité d’organisation
Samuel Hurault (ENS Paris)
Julian Tachella (CNRS, ENS Lyon)
Matthieu Terris (INRIA Saclay)
IMPORTANT WARNING: Scam / Phishing / SMiShing ! Note that ill-intentioned people may be trying to contact some of participants by email or phone to get money and personal details, by pretending to be part of the staff of our conference center (CIRM). CIRM and the organizers will NEVER contact you by phone on this issue and will NEVER ask you to pay for accommodation/ board / possible registration fee in advance. Any due payment will be taken onsite at CIRM during your stay.
This workshop will serve as a hackathon to develop DeepInverse https://deepinv.github.io/, an open-source PyTorch library for solving imaging inverse problems with deep learning, whose first stable version was released in July 2023. DeepInverse aims to cover most of the steps in modern imaging pipelines, from the definition of the forward sensing operator to the training of reconstruction networks in a supervised or self-supervised way.
The goal of the workshop is to bring together contributors to the library across Europe to develop this open-source project further and consolidate a growing community of researchers using the library in their research projects. The workshop will focus on the addition of new functionalities, in particular new advanced imaging operators, and new diffusion sampling methods for inverse problems. The overarching goal of the workshop is to consolidate the library as a default tool for solving inverse problems with deep learning across various research communities.
Cet atelier servira de hackathon pour contribuer au développement de DeepInverse https://deepinv.github.io/, une bibliothèque PyTorch open-source dédiée à la résolution des problèmes inverses en imagerie à l’aide de méthodes d’apprentissage profond. La première version stable de DeepInverse a été publiée en juillet 2023. Cette bibliothèque couvre toute la chaîne d’acquisition et de traitement en imagerie moderne, depuis la définition de l’opérateur de mesure jusqu’à la reconstruction d’images via l’entraînement supervisé ou auto-supervisé de réseaux de reconstruction.
L’objectif de l’atelier est de rassembler les principaux contributeurs européens de la bibliothèque pour continuer à développer et consolider le projet, tout en fédérant une communauté croissante de chercheurs utilisant DeepInverse dans leurs travaux. Durant cet atelier, nous visons à ajouter de nouvelles fonctionnalités
à la bibliothèque, notamment des opérateurs de mesure avancés et de nouvelles méthodes d’échantillonnage de diffusion pour les problèmes inverses. L’objectif principal est de renforcer la position de DeepInverse en tant qu’outil de référence pour la résolution des problèmes inverses par l’apprentissage profond dans diverses
communautés de recherche.