論文の概要: Enhancing Quantum Diffusion Models for Complex Image Generation
- arxiv url: http://arxiv.org/abs/2602.03405v2
- Date: Thu, 05 Feb 2026 16:55:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-06 16:28:44.942014
- Title: Enhancing Quantum Diffusion Models for Complex Image Generation
- Title（参考訳）: 複雑な画像生成のための量子拡散モデルの強化
- Authors: Jeongbin Jo, Santanam Wishal, Shah Md Khalil Ullah, Shan Zeng, Dikshant Dulal,
- Abstract要約: 本研究では,Adaptive Non-Local Observables (ANO)と統合されたハイブリッド量子古典的U-Netアーキテクチャについて検討する。
古典的データを高密度量子潜在空間に圧縮し、トレーニング可能な可観測物を活用することにより、古典的処理を補完する非局所的特徴を抽出することを目的としている。
完全なMNISTデータセット(桁 0-9)の実験結果から,提案アーキテクチャは全桁のクラスに対して,構造的に整合的で認識可能な画像を生成することができることが示された。
- 参考スコア（独自算出の注目度）: 0.8373057326694194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum generative models offer a novel approach to exploring high-dimensional Hilbert spaces but face significant challenges in scalability and expressibility when applied to multi-modal distributions. In this study, we explore a Hybrid Quantum-Classical U-Net architecture integrated with Adaptive Non-Local Observables (ANO) as a potential solution to these hurdles. By compressing classical data into a dense quantum latent space and utilizing trainable observables, our model aims to extract non-local features that complement classical processing. We also investigate the role of Skip Connections in preserving semantic information during the reverse diffusion process. Experimental results on the full MNIST dataset (digits 0-9) demonstrate that the proposed architecture is capable of generating structurally coherent and recognizable images for all digit classes. While hardware constraints still impose limitations on resolution, our findings suggest that hybrid architectures with adaptive measurements provide a feasible pathway for mitigating mode collapse and enhancing generative capabilities in the NISQ era.
- Abstract（参考訳）: 量子生成モデルは、高次元ヒルベルト空間を探索するための新しいアプローチを提供するが、マルチモーダル分布に適用した場合、スケーラビリティと表現性において大きな課題に直面している。
本研究では,これらのハードルに対する潜在的な解決策として,Adaptive Non-Local Observables (ANO)と統合されたハイブリッド量子古典的U-Netアーキテクチャについて検討する。
古典的データを高密度量子潜在空間に圧縮し、トレーニング可能な可観測物を活用することにより、古典的処理を補完する非局所的特徴を抽出することを目的としている。
また,逆拡散過程における意味情報の保存におけるスキップ接続の役割についても検討した。
完全なMNISTデータセット(桁 0-9)の実験結果から,提案アーキテクチャは全桁のクラスに対して,構造的に整合的で認識可能な画像を生成することができることが示された。
ハードウェアの制約は依然として解像度に制限を課すが, 適応測定によるハイブリッドアーキテクチャは, NISQ時代のモード崩壊を緩和し, 生成能力を向上するための有効な経路となることが示唆された。
関連論文リスト
- Enriching Earth Observation labeled data with Quantum Conditioned Diffusion Models [38.62950622229361]
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。
論文 参考訳（メタデータ） (2025-12-23T15:40:31Z) - Hardware-inspired Continuous Variables Quantum Optical Neural Networks [0.27998963147546146]
量子光学において、ガウス作用素は光モードの二次函数上のアフィン写像を誘導する。
この研究は、連続可変量子光学ニューラルネットワークのための実験的に実現可能な新しいフレームワークを提示する。
論文 参考訳（メタデータ） (2025-12-04T19:20:27Z) - 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) - LCQNN: Linear Combination of Quantum Neural Networks [7.010027035873597]
量子ニューラルネットワークの線形結合(LCQNN)フレームワークについて述べる。
制御ユニタリの$k$を採用する、あるいはモデルを特定の群理論部分空間に制限するといった構造的選択が、勾配の崩壊を防ぐことを示す。
群行動シナリオでは、対称性を利用して指数関数的に大きい既約部分空間を除外することにより、モデルはバレンプラトーを回避できることを示す。
論文 参考訳（メタデータ） (2025-07-03T17:43:10Z) - High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。
近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。
機能適応型INR(FA-INR)を提案する。
論文 参考訳（メタデータ） (2025-06-07T16:45:17Z) - Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。
マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。
HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
論文 参考訳（メタデータ） (2024-10-04T06:19:29Z) - 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) - Exploring quantum localization with machine learning [39.58317527488534]
本稿では、その局所化の観点から、波動関数を分類するための効率的なニューラルネットワーク(NN)アーキテクチャを提案する。
提案手法は, 量子位相空間のパラメトリゼーションにより, 改良畳み込みモデルのパターン認識機能と, 独自の「量子」NNへと導かれる。
論文 参考訳（メタデータ） (2024-06-01T08:50:26Z) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳（メタデータ） (2021-04-30T21:34:11Z)
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。