Serviceeinschränkungen vom 12.-22.02.2026 - weitere Infos auf der UB-Homepage
American Psychological Association 6th edition

Shi, H., Traonmilin, Y., Aujol, J. F., Institut de Mathématiques de Bordeaux (IMB), Université de Bordeaux (UB)-Institut Polytechnique de Bordeaux (Bordeaux INP)-Centre National de la Recherche Scientifique (CNRS), & ANR-20-CE40-0001,EFFIREG,Régularisation performante de problèmes inverses en grande dimension pour le traitement de données(2020). (2023, Januar 1). Compressive learning of deep regularization for denoising. Gehalten auf der. CCSD.

ISO-690 (author-date, English)

SHI, Hui, TRAONMILIN, Yann, AUJOL, Jean François, INSTITUT DE MATHÉMATIQUES DE BORDEAUX (IMB), UNIVERSITÉ DE BORDEAUX (UB)-INSTITUT POLYTECHNIQUE DE BORDEAUX (BORDEAUX INP)-CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE (CNRS) und ANR-20-CE40-0001,EFFIREG,Régularisation performante de problèmes inverses en grande dimension pour le traitement de données(2020), 2023. Compressive learning of deep regularization for denoising. In: . CCSD. 1 Januar 2023.

Modern Language Association 9th edition

Shi, H., Y. Traonmilin, J. F. Aujol, Institut de Mathématiques de Bordeaux (IMB), Université de Bordeaux (UB)-Institut Polytechnique de Bordeaux (Bordeaux INP)-Centre National de la Recherche Scientifique (CNRS), und ANR-20-CE40-0001,EFFIREG,Régularisation performante de problèmes inverses en grande dimension pour le traitement de données(2020). Compressive learning of deep regularization for denoising. CCSD, 2023.

Mohr Siebeck - Recht (Deutsch - Österreich)

Emerald - Harvard

Shi, H., Traonmilin, Y., Aujol, J.F., Institut de Mathématiques de Bordeaux (IMB), Université de Bordeaux (UB)-Institut Polytechnique de Bordeaux (Bordeaux INP)-Centre National de la Recherche Scientifique (CNRS) und ANR-20-CE40-0001,EFFIREG,Régularisation performante de problèmes inverses en grande dimension pour le traitement de données(2020). (2023), „Compressive learning of deep regularization for denoising“, in , Bd. , CCSD.

Achtung: Diese Zitate sind unter Umständen nicht zu 100% korrekt.