論文の概要: TT-net: Quantum Inspired Tensor Network Denoising in Conditional GANs

• arxiv url: http://arxiv.org/abs/2608.19789v1
• Date: Thu, 20 Aug 2026 08:34:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.496878
• Title: TT-net: Quantum Inspired Tensor Network Denoising in Conditional GANs
• Title（参考訳）: TT-net:条件付きGANにおける量子インスパイアされたテンソルネットワーク
• Abstract要約: 本稿では,チャネルごとのSVD復調ブロックを2カットテンソル-トレイン分解に置き換えるTT-Netを提案する。 我々の原稿は、ディープラーニングアプリケーションのための実用的な実世界の特徴フィルタとして量子インスピレーションツールをどのように利用できるかを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developed as a workhorse for classical simulations of quantum algorithms and quantum many-body systems, Tensor Network methods have entered the scientific mainstream in quantum physics. Among various types of tensor networks, Tensor Trains (commonly know as Matrix Product States in the quantum computing community) have already found applications in machine learning. These methods often rely on a powerful linear algebra tool called the Singular Value Decomposition (SVD). Several conditional GAN architectures for image denoising incorporate SVD as a single-cut decomposition step applied to generator feature maps. In this work we introduce TT-Net, which replaces the per-channel SVD denoising block with a two-cut tensor-train decomposition capable of accessing cross-channel information directly, a capability absent from contemporary alternatives. In a controlled comparison differing only in this decomposition mechanism, TT-Net outperforms SVD-Net on PSNR and SSIM across all three noise types tested (Gaussian, motion blur, and salt-and-pepper), supporting the hypothesis that cross-channel access improves denoising quality. Training-dynamics analysis further shows that TT-Net's adversarial loss term consistently saturates to a stagnant state across all three noise types, more so than SVD-Net's, while reconstruction quality continues to improve regardless, raising an open question about the adversarial component's contribution that this work identifies but does not resolve. Furthermore, for Gaussian noise our method outperforms both the EigenGAN and the state of the art Pix2pix method which does not assume any linear algebra decompositions and does not retain any linear algebra information. Our manuscript shows how quantum inspired tools can be used as practical real world feature filters for deep learning applications.
• Abstract（参考訳）: 量子アルゴリズムと量子多体系の古典的なシミュレーションのためのワークホースとして開発されたテンソルネットワーク法は、量子物理学の科学的な主流となった。 様々なタイプのテンソルネットワークの中で、テンソルトレイン(一般に量子コンピューティングコミュニティでマトリックス製品ステートとして知られている)は、すでに機械学習に応用されている。 これらの手法は、しばしば Singular Value Decomposition (SVD) と呼ばれる強力な線形代数ツールに依存している。 画像デノナイズのための条件付きGANアーキテクチャは、ジェネレータ特徴写像に適用された単一カット分解ステップとしてSVDを組み込んでいる。 本研究では,通信路ごとのSVDデノナイズブロックを,通信路間情報に直接アクセス可能な2カットテンソル-トレイン分解に置き換えるTT-Netを提案する。 この分解機構でのみ異なる制御比較では、TT-Netは、試験された3種類のノイズタイプ(ガウス、モーションボケ、ソルト・アンド・ペッパー)全てにおいて、PSNRとSSIMのSVD-Netよりも優れており、クロスチャネルアクセスがノイズ発生を改善するという仮説を支持している。 トレーニング力学解析により、TT-Netの敵対的損失項は、SVD-Netよりも、全ての3つのノイズタイプで定常的な定常状態に飽和する一方、再構成品質は改善され続けており、この研究が特定するが解決しない敵成分の寄与に関するオープンな疑問が提起されている。 さらにガウス雑音に対しては、この手法は線形代数分解を仮定せず、線形代数情報を保持しないEigenGANと最先端Pix2pix法の両方より優れている。 我々の原稿は、ディープラーニングアプリケーションのための実用的な実世界の特徴フィルタとして量子インスピレーションツールをどのように利用できるかを示している。

関連論文リスト

• Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators [57.64362886310329]
  ニューラル演算子に基づく機械学習サロゲートは,弾性波動方程式の複数の固有モードを学習し,予測できることを示す。 メタマテリアル設計では、サロゲートは設計サイクルのシミュレーション段階を、コンシューマグレードのCPU上の有限要素解析と比較して3桁の速度で加速する。 これらの結果は、スペクトルニューラル演算子に基づく他のマルチモードPDEソルバの入力エンコーディングを設計するための幅広い意味を持つ。
  論文  参考訳（メタデータ） (2026-09-08T01:21:46Z)
• Accelerating Noisy Variational Quantum Algorithms with Physics-Informed Denoising Networks [8.108113752089812]
  変分量子アルゴリズムは、短期量子コンピューティングには有望であるが、ハードウェアノイズとゼロノイズ外挿法(ZNE)のような誤差軽減法に必要な回路オーバーヘッドにより、著しく制限されている。 本研究では,その最適化力学の代理モデルを学ぶことにより,ZNEのコストを削減できる物理情報デノナイジングネットワーク(PIDN)を提案する。 すべてのタスクにおいて、PIDNはZNEに匹敵するパフォーマンスを実現し、回路実行回数を約4から6に削減する。
  論文  参考訳（メタデータ） (2026-05-03T21:32:31Z)
• Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
  本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。 我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2026-02-18T10:20:50Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Balanced Neural ODEs: nonlinear model order reduction and Koopman operator approximations [0.0]
  変分オートエンコーダ (VAEs) は次元の減少の潜在表現を学習するための強力なフレームワークである。 ニューラルネットワークは過渡系力学の学習において優れている。 標準ラテントODEは時変入力を持つシステムにおいて次元還元に苦しむことを示す。
  論文  参考訳（メタデータ） (2024-10-14T05:45:52Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• Learning a Model-Driven Variational Network for Deformable Image Registration [89.9830129923847]
  VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。 登録精度において最先端のディープラーニング手法よりも優れています。 ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
  論文  参考訳（メタデータ） (2021-05-25T21:37:37Z)
• Supervised training of spiking neural networks for robust deployment on mixed-signal neuromorphic processors [2.6949002029513167]
  混合信号アナログ/デジタル電子回路はスパイキングニューロンやシナプスを非常に高いエネルギー効率でエミュレートすることができる。 ミスマッチは、同一構成ニューロンとシナプスの効果的なパラメータの違いとして表現される。 ミスマッチに対する堅牢性や,その他の一般的なノイズ源を最大化することで,この課題に対処する,教師付き学習アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-12T09:20:49Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)
• Robust Processing-In-Memory Neural Networks via Noise-Aware Normalization [26.270754571140735]
  PIM加速器は、しばしば物理的成分の固有のノイズに悩まされる。 雑音設定に対してロバストなニューラルネットワーク性能を実現するためのノイズ非依存手法を提案する。
  論文  参考訳（メタデータ） (2020-07-07T06:51:28Z)

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。