論文の概要: QUIET-SR: Quantum Image Enhancement Transformer for Single Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2503.08759v1
• Date: Tue, 11 Mar 2025 16:06:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:39:38.338692
• Title: QUIET-SR: Quantum Image Enhancement Transformer for Single Image Super-Resolution
• Title（参考訳）: QUIET-SR:単一画像超解像用量子画像強調変換器
• Authors: Siddhant Dutta, Nouhaila Innan, Khadijeh Najafi, Sadok Ben Yahia, Muhammad Shafique,
• Abstract要約: 超解像のための量子画像強調変換器(QUIET-SR)を提案する。これはSwinトランスフォーマーアーキテクチャを拡張し、新しいシフト量子ウィンドウアテンション機構を備えるハイブリッドフレームワークである。 我々は、MNIST (30.24 PSNR, 0.989 SSIM)、FashionMNIST (29.76 PSNR, 0.976 SSIM)、MedMNISTデータセットコレクションのフレームワークを評価し、QUIET-SRがPSNRとSSIMのスコアを最先端の手法に匹敵することを示す。
• 参考スコア（独自算出の注目度）: 5.713063730561454
• License:
• Abstract: Recent advancements in Single-Image Super-Resolution (SISR) using deep learning have significantly improved image restoration quality. However, the high computational cost of processing high-resolution images due to the large number of parameters in classical models, along with the scalability challenges of quantum algorithms for image processing, remains a major obstacle. In this paper, we propose the Quantum Image Enhancement Transformer for Super-Resolution (QUIET-SR), a hybrid framework that extends the Swin transformer architecture with a novel shifted quantum window attention mechanism, built upon variational quantum neural networks. QUIET-SR effectively captures complex residual mappings between low-resolution and high-resolution images, leveraging quantum attention mechanisms to enhance feature extraction and image restoration while requiring a minimal number of qubits, making it suitable for the Noisy Intermediate-Scale Quantum (NISQ) era. We evaluate our framework in MNIST (30.24 PSNR, 0.989 SSIM), FashionMNIST (29.76 PSNR, 0.976 SSIM) and the MedMNIST dataset collection, demonstrating that QUIET-SR achieves PSNR and SSIM scores comparable to state-of-the-art methods while using fewer parameters. These findings highlight the potential of scalable variational quantum machine learning models for SISR, marking a step toward practical quantum-enhanced image super-resolution.
• Abstract（参考訳）: 近年, 深層学習を用いた超解像法(SISR)の進歩により, 画像復元精度が著しく向上した。 しかし、古典的モデルにおける多数のパラメーターによる高精細画像処理の計算コストは、画像処理における量子アルゴリズムのスケーラビリティ上の課題とともに、依然として大きな障害となっている。 本稿では,変分量子ニューラルネットワーク上に構築された新しいシフト量子ウィンドウアテンション機構により,Swinトランスフォーマーアーキテクチャを拡張するハイブリッドフレームワークであるQuantum Image Enhancement Transformer for Super-Resolution (QUIET-SR)を提案する。 QUIET-SRは、低解像度画像と高解像度画像の間の複雑な残像マッピングを効果的にキャプチャし、量子アテンション機構を利用して、最小数の量子ビットを必要としながら特徴抽出と画像復元を強化し、ノイズ中間量子(NISQ)時代に適している。 我々は、MNIST (30.24 PSNR, 0.989 SSIM)、FashionMNIST (29.76 PSNR, 0.976 SSIM)、MedMNISTデータセットコレクションにおいて、QUIET-SRが、より少ないパラメータを用いて、最先端の手法に匹敵するPSNRとSSIMのスコアを達成できることを実証した。 これらの結果は、SISRのスケーラブルな変分量子機械学習モデルの可能性を浮き彫りにし、実用的な量子強調画像の超解像への一歩を踏み出した。

関連論文リスト

• PassionSR: Post-Training Quantization with Adaptive Scale in One-Step Diffusion based Image Super-Resolution [95.98801201266099]
  拡散に基づく画像超解像(SR)モデルでは、複数のデノナイジングステップのコストで優れた性能を示す。 本稿では,一段階拡散(OSD)画像SR,PassionSRにおける適応スケールの学習後量子化手法を提案する。 我々のPassionSRは、画像SRの最近の先進的な低ビット量子化法に対して大きな利点がある。
  論文  参考訳（メタデータ） (2024-11-26T04:49:42Z)
• Enhancing Quantum Diffusion Models with Pairwise Bell State Entanglement [35.436358464279785]
  本稿では、ノイズ中間スケール量子(NISQ)デバイス向けに設計された新しい量子拡散モデルを提案する。 量子絡み合いと重ね合わせを利用して、このアプローチは量子生成学習を前進させる。
  論文  参考訳（メタデータ） (2024-11-24T20:14:57Z)
• 2DQuant: Low-bit Post-Training Quantization for Image Super-Resolution [83.09117439860607]
  低ビット量子化は、エッジ展開のための画像超解像(SR)モデルを圧縮するために広く普及している。 低ビット量子化は、フル精度(FP)と比較してSRモデルの精度を低下させることが知られている。 本稿では2DQuantという画像超解像のための2段階の低ビット後量子化(PTQ)法を提案する。
  論文  参考訳（メタデータ） (2024-06-10T06:06:11Z)
• RefQSR: Reference-based Quantization for Image Super-Resolution Networks [14.428652358882978]
  単一画像超解像はその低分解能観測から高分解能画像を再構成することを目的としている。 深層学習に基づくSISRモデルは計算コストの増大を犠牲にして高い性能を示す。 本稿では,複数の代表パッチに高ビット量子化を適用したRefQSRという新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T06:49:38Z)
• Efficient Model Agnostic Approach for Implicit Neural Representation Based Arbitrary-Scale Image Super-Resolution [5.704360536038803]
  単一の画像超解像(SISR)は、主に深層畳み込みネットワークによって大きく進歩した。 従来のネットワークは、画像を一定のスケールにスケールアップすることに限定されており、任意のスケールのイメージを生成するために暗黙の神経機能を利用することになる。 我々は,任意のスケールで超解像を実現する,新しい,効率的なフレームワークであるMixture of Experts Implicit Super-Resolution(MoEISR)を導入する。
  論文  参考訳（メタデータ） (2023-11-20T05:34:36Z)
• Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
  単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。 提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-04-18T11:57:15Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Fully Quantized Image Super-Resolution Networks [81.75002888152159]
  効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。 我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。 低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
  論文  参考訳（メタデータ） (2020-11-29T03:53:49Z)
• PAMS: Quantized Super-Resolution via Parameterized Max Scale [84.55675222525608]
  深部畳み込みニューラルネットワーク(DCNN)は超解像処理(SR)において優位な性能を示した 本稿では,PAMS(Parameterized Max Scale)と呼ばれる新しい量子化手法を提案する。 実験により,提案手法はEDSRやRDNなどの既存のSRモデルを適切に圧縮・高速化できることが示された。
  論文  参考訳（メタデータ） (2020-11-09T06:16:05Z)

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。