論文の概要: Resource-Efficient Quantum-Enhanced Compressive Imaging via Quantum Classical co-Design

• arxiv url: http://arxiv.org/abs/2604.16662v1
• Date: Fri, 17 Apr 2026 19:41:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 14:22:30.43914
• Title: Resource-Efficient Quantum-Enhanced Compressive Imaging via Quantum Classical co-Design
• Title（参考訳）: 量子古典的共設計による資源効率の高い量子強調圧縮イメージング
• Authors: Haowei Shi, Visuttha Manthamkarn, Christopher M. Jones, Zheshen Zhang, Quntao Zhuang,
• Abstract要約: 量子センシングは、古典的な限界以下の測定ノイズを減らすことにより、撮像性能を向上させることができる。 従来の量子イメージングスキームでは、各ピクセルまたは空間モードに独立してスクイーズが適用される。 量子ハードウェア層と古典ソフトウェア層との共設計により、量子リソース割り当てと古典的圧縮画像からのガイダンスを統合することで、必要な量子リソースを大幅に削減できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Quantum sensing can enhance imaging performance by reducing measurement noise below the classical limit, thereby improving the signal-to-noise ratio (SNR) of acquired data. In conventional quantum imaging schemes, squeezing is applied independently to each pixel or spatial mode, leading to a quantum resource cost that scales linearly with image dimension. This approach implicitly separates quantum enhancement from classical post-processing, treating them as independent layers. In this work, we demonstrate that integrating quantum resource allocation with the guidance from classical compressive imaging, via co-design between the quantum hardware layer and the classical software layer, substantially reduces the required quantum resources. We employ principal component analysis (PCA) to identify a low-dimensional principal component subspace for measurement and apply squeezing selectively to the most informative spatial modes corresponding to these principal components. Our numerical experiments show that high-accuracy image classification and high-fidelity image reconstruction can be achieved with significantly fewer squeezed modes compared to pixel-wise squeezing. Our results establish a joint quantum classical co-design framework for resource-efficient quantum-enhanced imaging.
• Abstract（参考訳）: 量子センシングは、古典的限界以下の計測ノイズを低減し、取得したデータの信号対雑音比(SNR)を改善することにより、撮像性能を向上させることができる。 従来の量子イメージングスキームでは、スクイージングは各ピクセルまたは空間モードに独立して適用され、画像次元と線形にスケールする量子リソースコストに繋がる。 このアプローチは、量子エンハンスメントを古典的な後処理から暗黙的に分離し、それらを独立した層として扱う。 本研究では、量子ハードウェア層と古典ソフトウェア層との共設計を通じて、古典的圧縮画像からのガイダンスと量子リソース割り当てを統合することで、必要な量子リソースを大幅に削減できることを実証する。 主成分分析(PCA)を用いて、測定のための低次元主成分部分空間を同定し、これらの主成分に対応する最も情報性の高い空間モードに選択的に適用する。 数値実験により,高精度画像分類と高精細画像再構成は,画素ワイズに比べて圧縮モードが著しく少ないことが判明した。 本研究は,資源効率のよい量子強調画像のための共同量子古典的共設計フレームワークを構築した。

関連論文リスト

• Analog Quantum Image Representation with Qubit-Frugal Encoding [4.372268810108838]
  我々は、中性原子量子デバイスに適した量子画像表現のための根本的な新しいパラダイムを導入する。 提案手法は,まず,従来のエッジ抽出入力画像に地図一般化アルゴリズムを適用して,量子ビット効率のよい画像表現を構築する。 画像の構造的整合性を保証する一方で、このスパース表現はアキラの原子構成に埋め込まれる。
  論文  参考訳（メタデータ） (2025-12-20T17:50:42Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• 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)
• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  我々は、MNIST桁の画像を低次元の特徴空間に圧縮する画像分類のためのハイブリッド量子古典モデルを実装した。 オートエンコーダは、各28タイムs28$イメージ(784ピクセル)を64次元潜在ベクトルに圧縮する。 これらの特徴を5量子ビット量子状態にマッピングする。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• QUSL: Quantum Unsupervised Image Similarity Learning with Enhanced Performance [14.288836269941207]
  QUSLは教師なし学習に類似した三つ子を使用し、アンカー画像の摂動によって正のサンプルを生成する。 臨界量子資源の利用を50%以上削減する。 量子リソースが少ない一方で、QUSLは大規模な教師なしタスクの可能性を示している。
  論文  参考訳（メタデータ） (2024-04-02T15:17:09Z)
• 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 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)
• Hybrid Quantum-Classical Generative Adversarial Network for High Resolution Image Generation [14.098992977726942]
  量子機械学習(QML)は、古典的な機械学習手法を様々な問題で上回る可能性を秘め、注目を集めている。 QML手法のサブクラスは量子生成逆数ネットワーク(QGAN)であり、古典的なGANの量子対数として研究されている。 ここでは、古典的および量子的手法を統合し、新しいハイブリッド量子古典的GANフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T11:18:35Z)
• Post-Training Quantization for Vision Transformer [85.57953732941101]
  本稿では,視覚変換器のメモリ記憶量と計算コストを削減するための学習後量子化アルゴリズムを提案する。 約8ビット量子化を用いて、ImageNetデータセット上でDeiT-Bモデルを用いて81.29%のトップ-1の精度を得ることができる。
  論文  参考訳（メタデータ） (2021-06-27T06:27:22Z)
• 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。