論文の概要: HybridQ: Hybrid Classical-Quantum Generative Adversarial Network for Skin Disease Image Generation

• arxiv url: http://arxiv.org/abs/2506.21015v1
• Date: Thu, 26 Jun 2025 05:14:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.988336
• Title: HybridQ: Hybrid Classical-Quantum Generative Adversarial Network for Skin Disease Image Generation
• Title（参考訳）: HybridQ: 皮膚疾患画像生成のためのハイブリッド古典量子生成支援ネットワーク
• Authors: Qingyue Jiao, Kangyu Zheng, Yiyu Shi, Zhiding Liang,
• Abstract要約: 我々は,カラー医用画像を生成することのできる,最初の古典的量子生成敵ネットワーク(GAN)を紹介した。 本モデルでは,データ拡張に用いた場合,画像生成品質と分類性能の両方において,古典的深層畳み込みGANと既存のハイブリッド古典量子GANより優れる。
• 参考スコア（独自算出の注目度）: 4.613177379949412
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning-assisted diagnosis is gaining traction in skin disease detection, but training effective models requires large amounts of high-quality data. Skin disease datasets often suffer from class imbalance, privacy concerns, and object bias, making data augmentation essential. While classical generative models are widely used, they demand extensive computational resources and lengthy training time. Quantum computing offers a promising alternative, but existing quantum-based image generation methods can only yield grayscale low-quality images. Through a novel classical-quantum latent space fusion technique, our work overcomes this limitation and introduces the first classical-quantum generative adversarial network (GAN) capable of generating color medical images. Our model outperforms classical deep convolutional GANs and existing hybrid classical-quantum GANs in both image generation quality and classification performance boost when used as data augmentation. Moreover, the performance boost is comparable with that achieved using state-of-the-art classical generative models, yet with over 25 times fewer parameters and 10 times fewer training epochs. Such results suggest a promising future for quantum image generation as quantum hardware advances. Finally, we demonstrate the robust performance of our model on real IBM quantum machine with hardware noise.
• Abstract（参考訳）: 機械学習支援診断は皮膚疾患の検出において注目を集めているが、効果的なモデルのトレーニングには大量の高品質なデータが必要である。 皮膚疾患データセットは、しばしばクラス不均衡、プライバシー上の懸念、オブジェクトバイアスに悩まされ、データの増大が不可欠である。 古典的生成モデルは広く使われているが、膨大な計算資源と長い訓練時間を必要とする。 量子コンピューティングは有望な代替手段を提供するが、既存の量子ベースの画像生成方法は、グレースケールの低品質の画像しか得られない。 この制限を克服し、カラー医用画像を生成することのできる最初の古典的量子生成対向ネットワーク(GAN)を導入する。 本モデルでは,データ拡張に用いた場合,画像生成品質と分類性能の両方において,古典的深層畳み込みGANと既存のハイブリッド古典量子GANより優れる。 さらに、パフォーマンス向上は、最先端の古典的生成モデルを使用して達成されたものと同等であるが、パラメータが25倍以上、トレーニングエポックが10倍少ない。 このような結果は、量子ハードウェアが進歩するにつれて、量子画像生成に有望な未来を示唆している。 最後に、ハードウェアノイズのある実IBM量子マシン上で、我々のモデルの堅牢な性能を実証する。

関連論文リスト

• Quantum Generative Models for Image Generation: Insights from MNIST and MedMNIST [0.0]
  本稿では,固有量子発生雑音と調整ノイズスケジューリング機構の2つの新しいノイズ戦略を紹介する。 我々は,MNISTデータセットとMedMNISTデータセットのモデル評価を行い,その実現可能性と性能について検討した。
  論文  参考訳（メタデータ） (2025-03-30T06:36:22Z)
• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• 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)
• 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)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• 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)
• 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)
• 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)

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。