Персона:
Рымов, Дмитрий Андреевич

Организационные подразделения

Организационная единица

Институт лазерных и плазменных технологий

Стратегическая цель Института ЛаПлаз – стать ведущей научной школой и ядром развития инноваций по лазерным, плазменным, радиационным и ускорительным технологиям, с уникальными образовательными программами, востребованными на российском и мировом рынке образовательных услуг.

Фамилия

Рымов

Имя

Дмитрий Андреевич

Полная страница элемента

Результаты поиска

Теперь показываю 1 - 9 из 9

Только метаданные
Neural-network-enabled holographic image reconstruction via amplitude and phase extraction
(2022) Rymov, D. A.; Starikov, R. S.; Cheremkhin, P. A.; Рымов, Дмитрий Андреевич; Стариков, Ростислав Сергеевич; Черёмхин, Павел Аркадьевич
Только метаданные
Ciphertext only attack on QR code optical encryption system with spatially incoherent illumination using a neural network
(2024) Rymov,D.A.; Shifrina,A.V.; Cheremkhin,P.A.; Ovchinnikov,A.S.; Krasnov,V.V.; Starikov,R.S.; Рымов, Дмитрий Андреевич; Шифрина, Анна Владимировна; Черёмхин, Павел Аркадьевич; Овчинников, Андрей Сергеевич; Стариков, Ростислав Сергеевич
Только метаданные
Holographic Encryption of Color Video Stream with 4k Resolution Using Phase Liquid Crystal Light Modulators
(2023) Rymov, D. A.; Shifrina, A. V.; Cheremkhin, P. A.; Rodin, V. G.; Krasnov, V. V.; Рымов, Дмитрий Андреевич; Шифрина, Анна Владимировна; Черёмхин, Павел Аркадьевич; Родин, Владислав Геннадьевич
Только метаданные
Object image reconstruction: method for reconstructing images from digital off-axis holograms using a generative adversarial network
(2024) Kiriy, S. A.; Svistunov, A. S.; Rymov, D. A.; Starikov, R. S.; Shifrina, A. V.; Cheremkhin, P. A.; Кирий, Семен Алексеевич; Свистунов, Андрей Сергеевич; Рымов, Дмитрий Андреевич; Стариков, Ростислав Сергеевич; Шифрина, Анна Владимировна; Черёмхин, Павел Аркадьевич
Только метаданные
Generative adversarial neural network for 3D-hologram reconstruction
(2024) Kiriy, S. A.; Rymov, D. A.; Svistunov, A. S.; Shifrina, A. V.; Starikov, R. S.; Cheremkhin, P. A.; Кирий, Семен Алексеевич; Рымов, Дмитрий Андреевич; Свистунов, Андрей Сергеевич; Шифрина, Анна Владимировна; Стариков, Ростислав Сергеевич; Черёмхин, Павел Аркадьевич
Только метаданные
Neural-network-based methods in digital and computer-generated holography: a review
(2024) Cheremkhin, P. A.; Rymov, D. A.; Svistunov, A. S.; Zlokazov, E. Y.; Starikov, R. S.; Черёмхин, Павел Аркадьевич; Рымов, Дмитрий Андреевич; Свистунов, Андрей Сергеевич; Злоказов, Евгений Юрьевич; Стариков, Ростислав Сергеевич
Только метаданные
3D-CGH-Net: Customizable 3D-hologram generation via deep learning
(2025) Rymov,D.A.; Svistunov,A.S.; Starikov,R.S.; Shifrina,A.V.; Rodin,V.G.; Evtikhiev,N.N.; Cheremkhin,P.A.; Рымов, Дмитрий Андреевич; Свистунов, Андрей Сергеевич; Стариков, Ростислав Сергеевич; Шифрина, Анна Владимировна; Родин, Владислав Геннадьевич; Евтихиев, Николай Николаевич; Черёмхин, Павел Аркадьевич
Открытый доступ
Machine learning methods for digital holography and diffractive optics
(2020) Cheremkhin, P.; Evtikhiev, N.; Krasnov, V.; Rodin, V.; Rymov, D.; Starikov, R.; Черёмхин, Павел Аркадьевич; Евтихиев, Николай Николаевич; Родин, Владислав Геннадьевич; Рымов, Дмитрий Андреевич; Стариков, Ростислав Сергеевич
© 2020 The Authors. Published by Elsevier B.V.With active advancements in computer and computational technologies, deep learning has found its way into many fields. Recently it has become an active topic of research in diffractive optics and holography. Deep leaning techniques have been shown to benefit greatly from abundant information offered by using both amplitude and phase of the optical field. These techniques can be applied for image reconstruction, zero-order suppression, hologram generation, etc. In this paper various learning based methods for enhancing digital and computer-generated holography are analysed. We demonstrate a deep learning model for generating diffractive optical elements from an arbitrary intensity-only image. Numerical evaluation of model's performance has shown that generated diffractive optical elements are of acceptable quality.
Открытый доступ
HoloForkNet: Digital Hologram Reconstruction via Multibranch Neural Network
(2023) Svistunov, A. S.; Rymov, D. A.; Starikov, R. S.; Cheremkhin, P. A.; Свистунов, Андрей Сергеевич; Рымов, Дмитрий Андреевич; Стариков, Ростислав Сергеевич; Черёмхин, Павел Аркадьевич
Reconstruction of 3D scenes from digital holograms is an important task in different areas of science, such as biology, medicine, ecology, etc. A lot of parameters, such as the objectвЂ™s shape, number, position, rate and density, can be extracted. However, reconstruction of off-axis and especially inline holograms can be challenging due to the presence of optical noise, zero-order image and twin image. We have used a deep-multibranch neural network model, which we call HoloForkNet, to reconstruct different 2D sections of a 3D scene from a single inline hologram. This paper describes the proposed method and analyzes its performance for different types of objects. Both computer-generated and optically registered digital holograms with resolutions up to 2048 Г— 2048 pixels were reconstructed. High-quality image reconstruction for scenes consisting of up to eight planes was achieved. The average structural similarity index (SSIM) for 3D test scenes with eight object planes was 0.94. The HoloForkNet can be used to reconstruct 3D scenes consisting of micro- and macro-objects.