論文の概要: Scaling Quantum Machine Learning without Tricks: High-Resolution and Diverse Image Generation

• arxiv url: http://arxiv.org/abs/2603.00233v1
• Date: Fri, 27 Feb 2026 19:00:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.120313
• Title: Scaling Quantum Machine Learning without Tricks: High-Resolution and Diverse Image Generation
• Title（参考訳）: トリックを伴わない量子機械学習のスケーリング:高分解能および横画像生成
• Authors: Jonas Jäger, Florian J. Kiwit, Carlos A. Riofrío,
• Abstract要約: 我々は、確立された古典的MNISTとFashion-MNISTデータセットに基づいて量子ワッサースタインGANを訓練する。 我々は、トリックなしで単一エンドツーエンドの量子発生器を用いて、新しい最先端の性能を確立する。 また,本手法がカラー画像に拡張可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum generative modeling is a rapidly evolving discipline at the intersection of quantum computing and machine learning. Contemporary quantum machine learning is generally limited to toy examples or heavily restricted datasets with few elements. This is not only due to the current limitations of available quantum hardware but also due to the absence of inductive biases arising from application-agnostic designs. Current quantum solutions must resort to tricks to scale down high-resolution images, such as relying heavily on dimensionality reduction or utilizing multiple quantum models for low-resolution image patches. Building on recent developments in classical image loading to quantum computers, we circumvent these limitations and train quantum Wasserstein GANs on the established classical MNIST and Fashion-MNIST datasets. Using the complete datasets, our system generates full-resolution images across all ten classes and establishes a new state-of-the-art performance with a single end-to-end quantum generator without tricks. As a proof-of-principle, we also demonstrate that our approach can be extended to color images, exemplified on the Street View House Numbers dataset. We analyze how the choice of variational circuit architecture introduces inductive biases, which crucially unlock this performance. Furthermore, enhanced noise input techniques enable highly diverse image generation while maintaining quality. Finally, we show promising results even under quantum shot noise conditions.
• Abstract（参考訳）: 量子生成モデリングは、量子コンピューティングと機械学習の交差において急速に進化する分野である。 現代の量子機械学習は一般的に、おもちゃの例や、ほとんど要素を持たない非常に制限されたデータセットに限られている。 これは、利用可能な量子ハードウェアの現在の限界だけでなく、アプリケーションに依存しない設計から生じる帰納バイアスが欠如しているためでもある。 現在の量子解は、次元の減少や低解像度画像パッチのための複数の量子モデルの利用など、高解像度画像をスケールダウンするためのトリックを頼らなければならない。 量子コンピュータへの古典的イメージローディングの最近の発展に基づいて、これらの制限を回避し、確立された古典的MNISTおよびファッション-MNISTデータセット上で量子量子ワッサースタインGANを訓練する。 本システムでは,全10クラスにまたがる完全解像度の画像を生成するとともに,1つのエンドツーエンド量子発生器をトリックなしで新たな最先端性能を実現する。 また,本手法がカラー画像に拡張可能であることを示し,Street View House Numbersデータセットに例示する。 変動回路アーキテクチャの選択が帰納バイアスを導入し、この性能を極端に解き放つ方法を分析する。 さらに、ノイズ入力技術の強化により、品質を維持しながら、非常に多様な画像生成が可能となる。 最後に,量子ショットノイズ条件下においても有望な結果を示す。

関連論文リスト

• 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)
• Demonstration of Hardware Efficient Photonic Variational Quantum Algorithm [2.4630731476141365]
  本稿では,1光子と線形光ネットワークが変分量子アルゴリズムの実装に十分であることを示す。 因子化タスクのインスタンスに取り組むための変分的アプローチの実証実験によってこれを実証する。
  論文  参考訳（メタデータ） (2024-08-19T18:26:57Z)
• 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)
• Photonic quantum generative adversarial networks for classical data [0.0]
  生成学習では、ターゲットデータの分布に従う新しいサンプルを作成するためにモデルが訓練される。 線形光回路とフォック空間符号化に基づく量子GANを提案する。 単一光子量子プロセッサ上で実験的にモデルのエンドツーエンドをトレーニングすることで,モデルが画像を生成することを実証する。
  論文  参考訳（メタデータ） (2024-05-09T18:00:10Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• 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 hybrid quantum image edge detector for the NISQ era [62.997667081978825]
  本稿では,量子人工ニューロンのアイデアに基づく量子エッジ検出のハイブリッド手法を提案する。 提案手法は, 量子コンピュータ, 特に現在ノイズの多い中間量子時代において, 実際に実装することができる。
  論文  参考訳（メタデータ） (2022-03-22T22:02:09Z)
• 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)
• Entanglement transfer, accumulation and retrieval via quantum-walk-based qubit-qudit dynamics [50.591267188664666]
  高次元システムにおける量子相関の生成と制御は、現在の量子技術の展望において大きな課題である。 本稿では,量子ウォークに基づく移動・蓄積機構により,$d$次元システムの絡み合った状態が得られるプロトコルを提案する。 特に、情報を軌道角運動量と単一光子の偏光度にエンコードするフォトニック実装について述べる。
  論文  参考訳（メタデータ） (2020-10-14T14:33:34Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。