論文の概要: Enriching Earth Observation labeled data with Quantum Conditioned Diffusion Models

• arxiv url: http://arxiv.org/abs/2512.20448v1
• Date: Tue, 23 Dec 2025 15:40:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.925791
• Title: Enriching Earth Observation labeled data with Quantum Conditioned Diffusion Models
• Title（参考訳）: 量子条件拡散モデルによる地球観測データの統合
• Authors: Francesco Mauro, Francesca De Falco, Lorenzo Papa, Andrea Ceschini, Alessandro Sebastianelli, Paolo Gamba, Massimo Panella, Silvia Ullo,
• Abstract要約: 条件付き拡散フレームワーク内で量子演算を適用するハイブリッド量子古典アーキテクチャであるQCU-Netを導入する。 EuroSAT RGBデータセットの実験は、我々のQCU-Netが優れた結果を得ることを示す。 この研究は、地球観測領域におけるクラス条件量子拡散モデリングの最初の成功例である。
• 参考スコア（独自算出の注目度）: 38.62950622229361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid adoption of diffusion models (DMs) in the Earth Observation (EO) domain has unlocked new generative capabilities aimed at producing new samples, whose statistical properties closely match real imagery, for tasks such as synthesizing missing data, augmenting scarce labeled datasets, and improving image reconstruction. This is particularly relevant in EO, where labeled data are often costly to obtain and limited in availability. However, classical DMs still face significant computational limitations, requiring hundreds to thousands of inference steps, as well as difficulties in capturing the intricate spatial and spectral correlations characteristic of EO data. Recent research in Quantum Machine Learning (QML), including initial attempts of Quantum Generative Models, offers a fundamentally different approach to overcome these challenges. Motivated by these considerations, we introduce the Quanvolutional Conditioned U-Net (QCU-Net), a hybrid quantum--classical architecture that applies quantum operations within a conditioned diffusion framework using a novel quanvolutional feature-extraction approach, for generating synthetic labeled EO imagery. Extensive experiments on the EuroSAT RGB dataset demonstrate that our QCU-Net achieves superior results. Notably, it reduces the Fréchet Inception Distance by 64%, lowers the Kernel Inception Distance by 76%, and yields higher semantic accuracy. Ablation studies further reveal that strategically positioning quantum layers and employing entangling variational circuits enhance model performance and convergence. This work represents the first successful adaptation of class-conditioned quantum diffusion modeling in the EO domain, paving the way for quantum-enhanced remote sensing imagery synthesis.
• Abstract（参考訳）: 地球観測(EO)領域における拡散モデル(DM)の急速な採用により、欠落したデータの合成、ラベル付きデータセットの不足の増大、画像再構成の改善といったタスクにおいて、統計特性が実際の画像と密接に一致した新しいサンプルを作成するための新しい生成機能が解放された。 これは、ラベル付きデータが高コストで入手でき、可用性が制限されるEOに特に関係している。 しかし、古典的なDMは、数百から数千の推論ステップが必要であり、EOデータの特徴を持つ複雑な空間的およびスペクトル的相関を捉えるのに困難である。 量子機械学習(QML)の最近の研究は、量子生成モデルの初期の試みを含む、これらの課題を克服するための根本的に異なるアプローチを提供している。 これらの考察により、我々は、新しい準進化的特徴抽出手法を用いて、条件付き拡散フレームワーク内で量子演算を適用し、合成ラベル付きEO画像を生成するハイブリッド量子-古典的アーキテクチャであるQCU-Netを導入する。 EuroSAT RGBデータセットに関する大規模な実験は、我々のQCU-Netが優れた結果を得ることを示す。 特に、Fréchet Inception Distanceを64%減らし、Kernel Inception Distanceを76%減らし、意味論的精度を高める。 アブレーション研究により、量子層を戦略的に位置決めし、絡み合う変動回路を用いることで、モデルの性能と収束が向上することが明らかとなった。 この研究は、EOドメインにおけるクラス条件付き量子拡散モデリングの最初の成功例であり、量子強化されたリモートセンシング画像合成の道を開くものである。

関連論文リスト

• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• AiDE-Q: Synthetic Labeled Datasets Can Enhance Learning Models for Quantum Property Estimation [83.22330172077308]
  AiDE-Qは高品質な合成ラベル付きデータセットを反復的に生成する。 量子多体系と分子系の多種多様な集合について広範な数値シミュレーションを行う。
  論文  参考訳（メタデータ） (2025-09-30T11:29:14Z)
• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• Quantum-Accelerated Neural Imputation with Large Language Models (LLMs) [0.0]
  本稿では、浅い量子回路をLLMベースの計算アーキテクチャに統合する新しいフレームワークであるQuantum-UnIMPを紹介する。 ベンチマーク混合型データセットを用いた実験により, 数値特徴量(RMSE)の計算誤差を最大15.2%削減し, カテゴリー的特徴量(F1-Score)の分類精度を, 最先端の古典的手法とLLMベースの手法と比較して8.7%向上した。
  論文  参考訳（メタデータ） (2025-07-11T02:00:06Z)
• A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
  量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。 本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。 経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T11:00:21Z)
• 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)
• 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)
• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)

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。