論文の概要: Image Denoising with Machine Learning: A Novel Approach to Improve Quantum Image Processing Quality and Reliability
- arxiv url: http://arxiv.org/abs/2402.11645v2
- Date: Thu, 26 Sep 2024 05:15:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-09 04:43:41.168643
- Title: Image Denoising with Machine Learning: A Novel Approach to Improve Quantum Image Processing Quality and Reliability
- Title（参考訳）: 機械学習による画像認識: 量子画像処理の品質と信頼性を向上するための新しいアプローチ
- Authors: Yifan Zhou, Yan Shing Liang,
- Abstract要約: 量子画像処理(QIP)は、画像の操作と解析に量子コンピューティングの利点を活用することを目的としている。
QIPは量子ビットの制限と量子マシンにおけるノイズの存在という2つの課題に直面している。
本稿では,量子処理された画像のノイズを特定し,修正する機械学習モデルを用いて,QIPにおけるノイズ問題に対処する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 3.8704324110545767
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Image Processing (QIP) is a field that aims to utilize the benefits of quantum computing for manipulating and analyzing images. However, QIP faces two challenges: the limitation of qubits and the presence of noise in a quantum machine. In this research, we propose a novel approach to address the issue of noise in QIP. By training and employing a machine learning model that identifies and corrects the noise in quantum-processed images, we can compensate for the noisiness caused by the machine and retrieve a processing result similar to that performed by a classical computer with higher efficiency. The model is trained by learning a dataset consisting of both existing processed images and quantum-processed images from open-access datasets. This model will be capable of providing us with the confidence level for each pixel and its potential original value. To assess the model's accuracy in compensating for loss and decoherence in QIP, we evaluate it using three metrics: Peak Signal to Noise Ratio (PSNR), Structural Similarity Index (SSIM), and Mean Opinion Score (MOS). Additionally, we discuss the applicability of our model across domains well as its cost effectiveness compared to alternative methods.
- Abstract（参考訳）: 量子画像処理(Quantum Image Processing, QIP)は、画像の操作と解析に量子コンピューティングの利点を活用することを目的とした分野である。
しかし、QIPは量子ビットの制限と量子マシンにおけるノイズの存在という2つの課題に直面している。
本研究では,QIPにおけるノイズ問題に対処する新しい手法を提案する。
量子処理された画像のノイズを識別・補正する機械学習モデルを訓練・採用することにより、機械によるノイズを補償し、従来のコンピュータと同じような処理結果を高い効率で検索することができる。
このモデルは、既存の処理された画像と、オープンアクセスデータセットから量子処理された画像の両方からなるデータセットを学習することでトレーニングされる。
このモデルは、各ピクセルとその潜在的な原値に対する信頼レベルを提供することができる。
QIPにおける損失とデコヒーレンスを補正するモデルの精度を評価するために,Pak Signal to Noise Ratio (PSNR), Structure similarity Index (SSIM), Mean Opinion Score (MOS)の3つの指標を用いて評価を行った。
さらに、ドメイン間のモデルの適用性や、代替手法と比較してコスト効果についても論じる。
関連論文リスト
- Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。
QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
論文 参考訳（メタデータ） (2024-05-18T14:35:57Z) - Quantum Transfer Learning with Adversarial Robustness for Classification
of High-Resolution Image Datasets [1.7246639313869705]
本稿では,量子変動回路をImageNetデータセット上に事前学習した古典的機械学習ネットワークと統合する量子トランスファー学習アーキテクチャを提案する。
転送学習を伴わずに、古典的および量子機械学習に対するQTLアプローチの優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-30T13:45:39Z) - Enhancing a Convolutional Autoencoder with a Quantum Approximate
Optimization Algorithm for Image Noise Reduction [0.0]
多くの畳み込みオートエンコーダアルゴリズムは、画像の復調に有効であることが証明されている。
本研究では,QCAE(Quantum Convolutional Autoencoder)法を提案する。
論文 参考訳（メタデータ） (2024-01-12T04:35:55Z) - Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum Computing [93.83016310295804]
AQCは研究関心の問題を実装でき、コンピュータビジョンタスクのための量子表現の開発に拍車をかけた。
本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
これにより、合成タスクと実際の視覚データについて、D-Wave AQCで示すような曖昧な解とデータポイントを識別することができる。
論文 参考訳（メタデータ） (2023-10-18T17:59:45Z) - Hybrid quantum transfer learning for crack image classification on NISQ
hardware [62.997667081978825]
グレー値画像のひび割れ検出に量子転送学習を適用した。
我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
論文 参考訳（メタデータ） (2023-07-31T14:45:29Z) - Quantum annealing-based computed tomography using variational approach
for a real-number image reconstruction [0.0]
本研究は実数再構成のための変分手法を用いたQACT再構成アルゴリズムを開発した。
注目すべきは、各ピクセルの表示に2キュービットしか必要とせず、正確な再構成に十分であることを示したことである。
論文 参考訳（メタデータ） (2023-06-03T23:35:10Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Error mitigation in variational quantum eigensolvers using tailored
probabilistic machine learning [5.630204194930539]
本稿では,量子計算におけるノイズを軽減するために,ガウス過程回帰(GPR)をアクティブラーニングフレームワーク内に導入する新しい手法を提案する。
我々は,IBMのオープンソース量子コンピューティングフレームワークであるQiskitを用いて,2サイトアンダーソン不純物モデルと8サイトハイゼンベルクモデルに対する提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2021-11-16T22:29:43Z) - Post-Training Quantization for Vision Transformer [85.57953732941101]
本稿では,視覚変換器のメモリ記憶量と計算コストを削減するための学習後量子化アルゴリズムを提案する。
約8ビット量子化を用いて、ImageNetデータセット上でDeiT-Bモデルを用いて81.29%のトップ-1の精度を得ることができる。
論文 参考訳（メタデータ） (2021-06-27T06:27:22Z) - Facial Expression Recognition on a Quantum Computer [68.8204255655161]
量子機械学習手法を用いて表情認識の可能な解を示す。
適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
論文 参考訳（メタデータ） (2021-02-09T13:48:00Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。