論文の概要: Hybrid Quantum-Classical Generative Adversarial Network for High Resolution Image Generation

• arxiv url: http://arxiv.org/abs/2212.11614v1
• Date: Thu, 22 Dec 2022 11:18:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 14:28:42.890514
• Title: Hybrid Quantum-Classical Generative Adversarial Network for High Resolution Image Generation
• Title（参考訳）: 高分解能画像生成のためのハイブリッド量子古典生成逆数ネットワーク
• Authors: Shu Lok Tsang and Maxwell T. West and Sarah M. Erfani and Muhammad Usman
• Abstract要約: 量子機械学習(QML)は、古典的な機械学習手法を様々な問題で上回る可能性を秘め、注目を集めている。 QML手法のサブクラスは量子生成逆数ネットワーク(QGAN)であり、古典的なGANの量子対数として研究されている。 ここでは、古典的および量子的手法を統合し、新しいハイブリッド量子古典的GANフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.098992977726942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning (QML) has received increasing attention due to its potential to outperform classical machine learning methods in various problems. A subclass of QML methods is quantum generative adversarial networks (QGANs) which have been studied as a quantum counterpart of classical GANs widely used in image manipulation and generation tasks. The existing work on QGANs is still limited to small-scale proof-of-concept examples based on images with significant down-scaling. Here we integrate classical and quantum techniques to propose a new hybrid quantum-classical GAN framework. We demonstrate its superior learning capabilities by generating $28 \times 28$ pixels grey-scale images without dimensionality reduction or classical pre/post-processing on multiple classes of the standard MNIST and Fashion MNIST datasets, which achieves comparable results to classical frameworks with 3 orders of magnitude less trainable generator parameters. To gain further insight into the working of our hybrid approach, we systematically explore the impact of its parameter space by varying the number of qubits, the size of image patches, the number of layers in the generator, the shape of the patches and the choice of prior distribution. Our results show that increasing the quantum generator size generally improves the learning capability of the network. The developed framework provides a foundation for future design of QGANs with optimal parameter set tailored for complex image generation tasks.
• Abstract（参考訳）: 量子機械学習(QML)は、古典的な機械学習手法を様々な問題で上回る可能性を秘め、注目を集めている。 QML手法のサブクラスはQGAN(quantum Generative Adversarial Network)であり、画像操作や生成タスクで広く使われている古典的GANの量子対向として研究されている。 qgansの現在の作業は、重要なダウンスケールのイメージに基づいて、小規模な概念実証例に限られている。 ここでは、古典的および量子的手法を統合し、新しいハイブリッド量子古典的GANフレームワークを提案する。 標準MNISTデータセットとFashion MNISTデータセットの複数のクラスにおいて、次元の削減や古典的前処理を伴わない28ドル28セントのグレースケール画像を生成することで、従来の3桁のトレーニング可能なジェネレータパラメータを持つフレームワークに匹敵する結果を得られる、優れた学習能力を実証した。 ハイブリッド手法の動作についてより深い知見を得るため,量子ビット数,イメージパッチサイズ,ジェネレータ内のレイヤ数,パッチ形状,事前分布の選択などによって,パラメータ空間の影響を体系的に検討した。 その結果,量子発生器の規模が大きくなるとネットワークの学習能力が向上することがわかった。 このフレームワークは,複雑な画像生成タスクに適した最適パラメータセットを備えたQGANの設計基盤を提供する。

関連論文リスト

• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  本研究は、画像分類タスクにおける量子コンピューティングと古典的機械学習の統合について検討する。 両パラダイムの強みを生かしたハイブリッド量子古典的アプローチを提案する。 実験結果から、ハイブリッドモデルが量子コンピューティングと古典的手法を統合する可能性を示す一方で、量子結果に基づいて訓練された最終モデルの精度は、圧縮された特徴に基づいて訓練された古典的モデルよりも低いことが示唆された。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• Quantum Generative Learning for High-Resolution Medical Image Generation [1.189046876525661]
  既存のQGAN(Quantum Generative Adversarial Network)は、パッチベースのピクセル単位の学習アプローチのため、高品質な画像を生成することができない。 高品質な医用画像生成のための量子画像生成学習(QIGL)手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T04:04:32Z)
• Latent Style-based Quantum GAN for high-quality Image Generation [28.3231031892146]
  本稿では,GAN(Generative Adversarial Networks)の学習に古典量子アプローチを併用したLastnt Style-based Quantum GAN(LaSt-QGAN)を紹介する。 私たちのLaSt-QGANは、標準的なMNISTを超えるリアルなコンピュータビジョンデータセット、すなわちファッション製品であるFashion MNISTと10キュービットのSAT4(地球観測画像)でうまくトレーニングできます。
  論文  参考訳（メタデータ） (2024-06-04T18:00:00Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• Variational Quantum Circuits Enhanced Generative Adversarial Network [5.209320054725053]
  我々は、GAN(QC-GAN)を改善するためのハイブリッド量子古典アーキテクチャを提案する。 QC-GANは1層ニューラルネットワークと共に量子変動回路で構成され、識別器は従来のニューラルネットワークで構成されている。 また、QC-GANが16ドル以上の画像を生成することのできない代替量子GAN、すなわちpathGANよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-02-02T03:59:35Z)
• Towards Transfer Learning for Large-Scale Image Classification Using Annealing-based Quantum Boltzmann Machines [7.106829260811707]
  本稿では,Quantum Annealing (QA) を用いた画像分類手法を提案する。 本稿では,アニール型量子ボルツマンマシンをハイブリッド量子古典パイプラインの一部として用いることを提案する。 提案手法は,テスト精度とAUC-ROC-Scoreの点で,古典的ベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-11-27T16:07:49Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。