論文の概要: iHQGAN: A Lightweight Invertible Hybrid Quantum-Classical Generative Adversarial Network for Unsupervised Image-to-Image Translation

• arxiv url: http://arxiv.org/abs/2411.13920v2
• Date: Mon, 25 Nov 2024 12:57:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:20:08.542944
• Title: iHQGAN: A Lightweight Invertible Hybrid Quantum-Classical Generative Adversarial Network for Unsupervised Image-to-Image Translation
• Title（参考訳）: iHQGAN: 教師なし画像-画像変換のための軽量非可逆ハイブリッド量子-古典的生成逆ネットワーク
• Authors: Xue Yang, Rigui Zhou, ShiZheng Jia, YaoChong Li, Jicheng Yan, ZhengYu Long, Wenyu Guo, Fuhui Xiong, Wenshan Xu,
• Abstract要約: iHQGANは、量子古典的教師なしI2I翻訳モデルである。 互いにほぼ可逆な2つの量子ジェネレータと共有パラメータを用いる。 低複雑さCNNベースのジェネレータを使用する古典的手法よりも優れている。
• 参考スコア（独自算出の注目度）: 3.616969360155387
• License:
• Abstract: Leveraging quantum computing's intrinsic properties to enhance machine learning has shown promise, with quantum generative adversarial networks (QGANs) demonstrating benefits in data generation. However, the application of QGANs to complex unsupervised image-to-image (I2I) translation remains unexplored. Moreover, classical neural networks often suffer from large parameter spaces, posing challenges for GAN-based I2I methods. Inspired by the fact that unsupervised I2I translation is essentially an approximate reversible problem, we propose a lightweight invertible hybrid quantum-classical unsupervised I2I translation model - iHQGAN, by harnessing the invertibility of quantum computing. Specifically, iHQGAN employs two mutually approximately reversible quantum generators with shared parameters, effectively reducing the parameter scale. To ensure content consistency between generated and source images, each quantum generator is paired with an assisted classical neural network (ACNN), enforcing a unidirectional cycle consistency constraint between them. Simulation experiments were conducted on 19 sub-datasets across three tasks. Qualitative and quantitative assessments indicate that iHQGAN effectively performs unsupervised I2I translation with excellent generalization and can outperform classical methods that use low-complexity CNN-based generators. Additionally, iHQGAN, as with classical reversible methods, reduces the parameter scale of classical irreversible methods via a reversible mechanism. This study presents the first versatile quantum solution for unsupervised I2I translation, extending QGAN research to more complex image generation scenarios and offering a quantum approach to decrease the parameters of GAN-based unsupervised I2I translation methods.
• Abstract（参考訳）: 量子コンピューティングの本質的な特性を活用して機械学習を強化することで、量子生成逆ネットワーク(QGAN)がデータ生成のメリットを実証する、という確証がある。 しかし、複雑な教師なしイメージ・ツー・イメージ(I2I)翻訳へのQGANの応用は未解明のままである。 さらに、古典的ニューラルネットワークはしばしば大きなパラメータ空間に悩まされ、GANベースのI2I手法の課題を提起する。 教師なしI2I翻訳が本質的に近似可逆問題であるという事実に着想を得て,量子コンピューティングの可逆性を利用して,軽量で可逆な量子古典型I2I翻訳モデルであるiHQGANを提案する。 具体的には、iHQGANは2つの相互にほぼ可逆な量子発生器と共有パラメータを使い、パラメータスケールを効果的に削減する。 生成された画像とソース画像の間のコンテントの整合性を確保するため、各量子ジェネレータは古典的ニューラルネットワーク(ACNN)とペアリングされ、それらの間に一方向のサイクル一貫性の制約が課される。 3つのタスクにまたがる19のサブデータセットでシミュレーション実験を行った。 定性的および定量的評価は、iHQGANが優れた一般化を伴う教師なしI2I翻訳を効果的に実行し、低複雑さCNNベースのジェネレータを使用する古典的手法よりも優れていることを示している。 さらに、iHQGANは古典的可逆法と同様に、可逆機構を通じて古典的可逆法のパラメータスケールを縮小する。 本研究は、教師なしI2I翻訳のための最初の汎用量子解を示し、QGAN研究をより複雑な画像生成シナリオに拡張し、GANベースの教師なしI2I翻訳手法のパラメータを減らすための量子アプローチを提供する。

関連論文リスト

• 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)
• A Hybrid Quantum-Classical Generative Adversarial Network for Near-Term Quantum Processors [0.0]
  本稿では,短期量子プロセッサのためのハイブリッド量子古典生成逆数ネットワーク(GAN)を提案する。 生成ネットワークは、量子回路を符号化する角度と変分量子アンサッツを用いて実現される。 識別器ネットワークは、多段トレーニング可能な量子回路を用いて実現される。
  論文  参考訳（メタデータ） (2023-07-06T20:11:28Z)
• Entangled Pair Resource Allocation under Uncertain Fidelity Requirements [59.83361663430336]
  量子ネットワークにおいて、効果的な絡み合いルーティングは、量子ソースと量子宛先ノード間の通信を容易にする。 本稿では,絡み合ったペアに対する資源配分モデルと,整合性保証を伴う絡み合ったルーティングモデルを提案する。 提案モデルでは, ベースラインモデルと比較して, 総コストを少なくとも20%削減できる。
  論文  参考訳（メタデータ） (2023-04-10T07:16:51Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Hybrid Quantum-Classical Generative Adversarial Network for High Resolution Image Generation [14.098992977726942]
  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。
  論文  参考訳（メタデータ） (2022-12-22T11:18:35Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Hamiltonian Quantum Generative Adversarial Networks [4.806505912512235]
  本稿では、未知の入力量子状態を生成することを学ぶために、ハミルトン量子生成共振器ネットワーク(HQuGAN)を提案する。 提案手法は,多体多体量子状態に絡み合った多体量子状態の学習能力を数値的に示す。
  論文  参考訳（メタデータ） (2022-11-04T16:53:55Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• 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。