Model-aware deep learning is een methodologie die gebruikmaakt van kennis van de onderliggende modelarchitectuur en de parameters om de prestaties van deep learning-systemen te verbeteren. Deze aanpak kan leiden tot snellere convergentie, betere generalisatie en verminderde overfitting in vergelijking met traditionele deep learning-methoden. Het vereist echter een dieper begrip van de modelarchitectuur en het optimalisatieproces. Dit onderzoeksproject richt zich op het ontwikkelen van nieuwe model-aware deep learning-benaderingen die zijn afgestemd op inverse beeldvormingsproblemen, waaronder beeldreconstructie en inverse problemen in beeldanalyse, zoals de schatting van de similariteitsmatrix voor spectrale clustering. Dit fundamentele onderzoeksproject zal een solide theoretisch kader opstellen en nuttige inzichten bieden voor onze gerelateerde en meer gerichte projecten op het gebied van medische beeldreconstructie en multimodale beeldanalyse.