論文の概要: Hybrid Quantum-Classical Latent Diffusion Models for Medical Image Generation

• arxiv url: http://arxiv.org/abs/2508.09903v1
• Date: Wed, 13 Aug 2025 16:01:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.950392
• Title: Hybrid Quantum-Classical Latent Diffusion Models for Medical Image Generation
• Title（参考訳）: 医用画像生成のためのハイブリッド量子古典遅延拡散モデル
• Authors: Kübra Yeter-Aydeniz, Nora M. Bauer, Pranay Jain, Max Masnick,
• Abstract要約: 本稿では,量子強調拡散と変分オートエンコーダ(VAE)モデルを提案し,基底網膜画像生成タスクで検証する。 数値実験では、量子エンハンスドモデルを用いて生成した画像は高品質で、86%が外部検証によりグレータブルに分類されている。 我々は,数値実験の確認のためにノイズテストを行い,量子ハードウェアのノイズを用いた場合,多様性と忠実性の両面から,量子強調拡散モデルによって高画質な画像が得られることを発見した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative learning models in medical research are crucial in developing training data for deep learning models and advancing diagnostic tools, but the problem of high-quality, diverse images is an open topic of research. Quantum-enhanced generative models have been proposed and tested in the literature but have been restricted to small problems below the scale of industry relevance. In this paper, we propose quantum-enhanced diffusion and variational autoencoder (VAE) models and test them on the fundus retinal image generation task. In our numerical experiments, the images generated using quantum-enhanced models are of higher quality, with 86% classified as gradable by external validation compared to 69% with the classical model, and they match more closely in features to the real image distribution compared to the ones generated using classical diffusion models, even when the classical diffusion models are larger than the quantum model. Additionally, we perform noisy testing to confirm the numerical experiments, finding that quantum-enhanced diffusion model can sometimes produce higher quality images, both in terms of diversity and fidelity, when tested with quantum hardware noise. Our results indicate that quantum diffusion models on current quantum hardware are strong targets for further research on quantum utility in generative modeling for industrially relevant problems.
• Abstract（参考訳）: 医学研究における生成学習モデルは、深層学習モデルのためのトレーニングデータの開発や診断ツールの進歩に不可欠であるが、高品質で多様な画像の問題は研究のオープンなトピックである。 量子強化生成モデルは文献で提案され、試験されているが、産業関係の規模以下の小さな問題に限られている。 本稿では,量子強調拡散・変分オートエンコーダ(VAE)モデルを提案し,基底網膜画像生成タスクで検証する。 数値実験では,古典的拡散モデルを用いて生成した画像は,古典的拡散モデルに比べて86%が外部検証によりグレータブルと分類され,古典的拡散モデルを用いて生成した画像と実際の画像分布によく一致する。 さらに, 数値実験の確認のためにノイズテストを行い, 量子ハードウェアノイズを用いた場合, 多様性と忠実さの両面から, 量子化拡散モデルによって高画質な画像が生成されることが判明した。 以上の結果から,現在の量子ハードウェア上での量子拡散モデルは,産業的問題に対する生成モデルにおける量子ユーティリティのさらなる研究の強力なターゲットであることが示唆された。

関連論文リスト

• HybridQ: Hybrid Classical-Quantum Generative Adversarial Network for Skin Disease Image Generation [4.613177379949412]
  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。
  論文  参考訳（メタデータ） (2025-06-26T05:14:45Z)
• 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)
• 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 Denoising Diffusion Models [4.763438526927999]
  2つの量子拡散モデルを導入し、それらの能力と古典的能力とをベンチマークする。 我々のモデルは、FID、SSIM、PSNRのパフォーマンス指標の点で、類似したパラメータ数を持つ古典モデルを上回る。
  論文  参考訳（メタデータ） (2024-01-13T11:38:08Z)
• Quantum-Noise-Driven Generative Diffusion Models [1.6385815610837167]
  実量子システムで実験的に検証できる3つの量子ノイズ駆動生成拡散モデルを提案する。 アイデアは、特にコヒーレンス、絡み合い、ノイズの間の非自明な相互作用を、ユニークな量子的特徴を活用することである。 我々の結果は、新しい量子インスパイアされた、あるいは量子ベースの生成拡散アルゴリズムの道を開くことが期待されている。
  論文  参考訳（メタデータ） (2023-08-23T09:09:32Z)
• 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)
• 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)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)

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。