論文の概要: MediQ-GAN: Quantum-Inspired GAN for High Resolution Medical Image Generation

• arxiv url: http://arxiv.org/abs/2506.21015v2
• Date: Mon, 03 Nov 2025 21:45:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.349213
• Title: MediQ-GAN: Quantum-Inspired GAN for High Resolution Medical Image Generation
• Title（参考訳）: MediQ-GAN:高分解能医用画像生成のための量子インスピレーション型GAN
• Authors: Qingyue Jiao, Yongcan Tang, Jun Zhuang, Jason Cong, Yiyu Shi,
• Abstract要約: 提案するMediQ-GANは、プロトタイプ誘導型スキップ接続と、古典的および量子的にインスパイアされた分岐を融合するデュアルストリームジェネレータを備えた量子インスパイアGANである。 私たちの貢献はハードウェアに依存しないもので、医療画像の生成と拡張のためのスケーラブルでデータ効率のよいフレームワークを提供しています。
• 参考スコア（独自算出の注目度）: 10.373235589002034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning-assisted diagnosis shows promise, yet medical imaging datasets are often scarce, imbalanced, and constrained by privacy, making data augmentation essential. Classical generative models typically demand extensive computational and sample resources. Quantum computing offers a promising alternative, but existing quantum-based image generation methods remain limited in scale and often face barren plateaus. We present MediQ-GAN, a quantum-inspired GAN with prototype-guided skip connections and a dual-stream generator that fuses classical and quantum-inspired branches. Its variational quantum circuits inherently preserve full-rank mappings, avoid rank collapse, and are theory-guided to balance expressivity with trainability. Beyond generation quality, we provide the first latent-geometry and rank-based analysis of quantum-inspired GANs, offering theoretical insight into their performance. Across three medical imaging datasets, MediQ-GAN outperforms state-of-the-art GANs and diffusion models. While validated on IBM hardware for robustness, our contribution is hardware-agnostic, offering a scalable and data-efficient framework for medical image generation and augmentation.
• Abstract（参考訳）: 機械学習による診断は有望であることを示しているが、医療画像データセットは多くの場合、プライバシによって不足し、不均衡であり、制約されているため、データの増大が不可欠である。 古典的生成モデルは典型的には広範な計算資源とサンプル資源を必要とする。 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規模が限られており、しばしば不規則な台地に直面している。 提案するMediQ-GANは、プロトタイプ誘導型スキップ接続と、古典的および量子的にインスパイアされた分岐を融合するデュアルストリームジェネレータを備えた量子インスパイアGANである。 その変分量子回路は、本質的にフルランク写像を保存し、ランク崩壊を回避し、表現性とトレーニング可能性のバランスをとる理論誘導である。 生成品質以外にも、量子にインスパイアされたGANの最初の潜時幾何学とランクに基づく解析を提供し、その性能に関する理論的洞察を提供する。 3つの医用画像データセットの中で、MedQ-GANは最先端のGANと拡散モデルより優れている。 堅牢性のためにIBMハードウェア上で検証されているが、当社のコントリビューションはハードウェアに依存しず、医療画像の生成と拡張のためのスケーラブルでデータ効率のよいフレームワークを提供する。

関連論文リスト

• HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
  本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。 HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。 様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-03T16:13:34Z)
• 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)
• 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)
• 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。