論文の概要: MPM-QIR: Measurement-Probability Matching for Quantum Image Representation and Compression via Variational Quantum Circuit

• arxiv url: http://arxiv.org/abs/2601.03855v1
• Date: Wed, 07 Jan 2026 12:11:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.498679
• Title: MPM-QIR: Measurement-Probability Matching for Quantum Image Representation and Compression via Variational Quantum Circuit
• Title（参考訳）: MPM-QIR:変分量子回路による量子画像表現と圧縮のための計測確率マッチング
• Authors: Chong-Wei Wang, Mei Ian Sam, Tzu-Ling Kuo, Nan-Yow Chen, Tai-Yue Li,
• Abstract要約: 本稿では,古典的な画像圧縮と表現のための変分量子回路(VQC)フレームワークであるMPM-QIRを提案する。 この方法は、生成VQCの測定確率分布と正規化画素強度とを一致させる。 フラット化されたピクセル配列への順序付けられたマッピングを通じて、位置情報を暗黙的に学習する。
• 参考スコア（独自算出の注目度）: 0.10874100424278171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present MPM-QIR, a variational-quantum-circuit (VQC) framework for classical image compression and representation whose core objective is to achieve equal or better reconstruction quality at a lower Parameter Compression Ratio (PCR). The method aligns a generative VQC's measurement-probability distribution with normalized pixel intensities and learns positional information implicitly via an ordered mapping to the flattened pixel array, thus eliminating explicit coordinate qubits and tying compression efficiency directly to circuit (ansatz) complexity. A bidirectional convolutional architecture induces long-range entanglement at shallow depth, capturing global image correlations with fewer parameters. Under a unified protocol, the approach attains PSNR $\geq$ 30 dB with lower PCR across benchmarks: MNIST 31.80 dB / SSIM 0.81 at PCR 0.69, Fashion-MNIST 31.30 dB / 0.91 at PCR 0.83, and CIFAR-10 31.56 dB / 0.97 at PCR 0.84. Overall, this compression-first design improves parameter efficiency, validates VQCs as direct and effective generative models for classical image compression, and is amenable to two-stage pipelines with classical codecs and to extensions beyond 2D imagery.
• Abstract（参考訳）: 本稿では,従来の画像圧縮と表現のための変分量子回路(VQC)フレームワークであるMPM-QIRについて述べる。 この方法は、生成VQCの測定確率分布と正規化画素強度とを一致させ、フラット化画素アレイへの順序付きマッピングを介して暗黙的に位置情報を学習することにより、明示的な座標量子ビットを排除し、回路(アンザッツ)の複雑さに直接圧縮効率を結び付ける。 双方向の畳み込みアーキテクチャは、浅い深さで長距離の絡み合いを誘発し、より少ないパラメータで大域的な画像相関をキャプチャする。 MNIST 31.80 dB / SSIM 0.81 at PCR 0.69, Fashion-MNIST 31.30 dB / 0.91 at PCR 0.83, CIFAR-10 31.56 dB / 0.97 at PCR 0.84 である。 全体として、この圧縮ファースト設計はパラメータ効率を向上し、VQCを古典的な画像圧縮のための直接的で効果的な生成モデルとして評価し、古典的なコーデックを持つ2段階パイプラインや、2次元画像を超えて拡張できる。

関連論文リスト

• MRT: Learning Compact Representations with Mixed RWKV-Transformer for Extreme Image Compression [31.446201901838958]
  よりコンパクトな1次元潜在表現に画像をエンコードするMixed RWKV-Transformer (MRT) アーキテクチャを提案する。 MRTは各画像を固定サイズのウィンドウに分割し、RWKVモジュールを使用してウィンドウ間のグローバルな依存関係をキャプチャし、Transformerブロックを使用して各ウィンドウ内のローカルをモデル化する。 圧縮効率をさらに高めるため、専用RWKV圧縮モデル(RCM)を導入する。
  論文  参考訳（メタデータ） (2025-11-10T05:23:00Z)
• Compressing Large Language Models with PCA Without Performance Loss [0.0]
  主成分分析は、性能を犠牲にすることなく、ニューラルネットワークの極端な圧縮を可能にすることを示す。 PCA圧縮極性MNISTで訓練された一層分類器は、840個のパラメータのみを用いて98%以上の精度を達成している。 70次元PCA-Reduced MiniLM埋め込みで訓練された2層トランスフォーマーは、20 News Groupsデータセット上で76.62パーセントの精度に達する。
  論文  参考訳（メタデータ） (2025-08-06T10:47:22Z)
• Higher fidelity perceptual image and video compression with a latent conditioned residual denoising diffusion model [55.2480439325792]
  本稿では,認知品質に最適化されたハイブリッド圧縮方式を提案し,CDCモデルのアプローチをデコーダネットワークで拡張する。 CDCと比較した場合,LPIPSとFIDの知覚スコアを比較検討しながら,最大2dBPSNRの忠実度向上を実現した。
  論文  参考訳（メタデータ） (2025-05-19T14:13:14Z)
• FD-LSCIC: Frequency Decomposition-based Learned Screen Content Image Compression [67.34466255300339]
  本稿では、SC画像圧縮における3つの重要な課題として、コンパクトな潜時特徴の学習、量子化ステップのサイズの適応、大規模なSCデータセットの欠如について述べる。 適応量子化モジュールを導入し、各周波数成分のスケールした均一ノイズを学習し、量子化の粒度を柔軟に制御する。 SDU-SCICD10Kは,基本SC画像,コンピュータレンダリング画像,およびPCおよびモバイルプラットフォームからのNSとSCの混合画像にまたがる1万以上の画像を含む,大規模なSC画像圧縮データセットを構築した。
  論文  参考訳（メタデータ） (2025-02-21T03:15:16Z)
• Compact Implicit Neural Representations for Plane Wave Images [5.87226666953377]
  平面波(PW)イメージングは、音化角度によって異なる人工物や影を生成する。 Inlicit Neural Representation (INR) を用いて,複数平面列をコンパクトに符号化する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-17T17:18:57Z)
• Quantization-aware Matrix Factorization for Low Bit Rate Image Compression [8.009813033356478]
  画像圧縮は効率的な伝送と保存に不可欠である。 本稿では、量子化対応行列分解法(QMF)を導入し、新しい損失画像圧縮法を提案する。 我々の手法は、JPEGを低ビットレートで0.25ビット/ピクセル(bpp)以下で連続的に上回り、高いビットレートで比較する。
  論文  参考訳（メタデータ） (2024-08-22T19:08:08Z)
• 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)
• Progressive Learning with Visual Prompt Tuning for Variable-Rate Image Compression [60.689646881479064]
  本稿では,変圧器を用いた可変レート画像圧縮のためのプログレッシブラーニングパラダイムを提案する。 視覚的プロンプトチューニングにインスパイアされた私たちは,エンコーダ側とデコーダ側でそれぞれ入力画像と隠蔽特徴のプロンプトを抽出するためにLPMを使用する。 提案モデルでは, 速度歪み特性の観点から現行の可変画像法よりも優れ, スクラッチから訓練した最先端の固定画像圧縮法にアプローチする。
  論文  参考訳（メタデータ） (2023-11-23T08:29:32Z)
• Training with Quantization Noise for Extreme Model Compression [57.51832088938618]
  与えられたモデルサイズに対する精度を最大化しながら、コンパクトなモデルを作成するという問題に取り組む。 標準的な解決策は、トレーニング中に重みが定量化され、勾配がストレート・スルー推定器に近似される量子化意識訓練(Quantization Aware Training)でネットワークをトレーニングすることである。 本稿では, この手法を, 極端な圧縮法を用いて, int8 の固定点量子化を超えて機能するように拡張する。
  論文  参考訳（メタデータ） (2020-04-15T20:10:53Z)

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。