Enorme datasets worden gegenereerd op het verhogen van het tempo in verschillende disciplines. Het wordt steeds meer gebruikelijk om de informatie over hetzelfde fenomeen met een veelheid van verschillende sensoren te verwerven. Bijvoorbeeld in de medische diagnostiek verschillende beeldvormende modaliteiten worden vaak gecombineerd (bijvoorbeeld röntgen CT en magnetische resonantie beelden) en totaal verschillende soorten gegevens (zoals eendimensionale elektrocardiogrammen en vierdimensionale reeksen van volumetrische ultrasone data). In remote sensing is het gebruikelijk om informatie uit hyperspectrale beelden te combineren, die verscheidene honderden banden, optische en radarbeelden veel hogere ruimtelijke resolutie en in digitale schilderen analyse optische beelden worden gewoonlijk gepaard met röntgenfoto, infrarood en multispectrale data. In al deze en soortgelijke gevallen, bevatten de beschikbare heterogene gegevens gecorreleerd versies van dezelfde fysieke wereld, hoewel elke toevoeging van een aantal unieke stukje informatie. Extraheren van de relevante informatie uit deze schat aan gegevens wordt een grote uitdaging, die ook in dit project is gericht. Wij richten ons op het ontwikkelen van nieuwe gegevens representaties en inferentietechnieken voor de verwerking van heterogene beeldgegevens. Als case studies, gebruiken we de toepassingsgebieden van digitaal schilderen analyse en remote sensing. Beide delen gemeenschappelijke praktijken op het gebied van multimodale data-acquisitie en soortgelijk onderzoek uitdagingen op het gebied van inhoud indeling en scheiding, zij het elk met zijn eigen specifieke kenmerken