論文の概要: Image Compression Using Quantum Wavelet Transform and Quantum Convolutional Networks
- arxiv url: http://arxiv.org/abs/2609.28387v1
- Date: Wed, 23 Sep 2026 16:59:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.127742
- Title: Image Compression Using Quantum Wavelet Transform and Quantum Convolutional Networks
- Title（参考訳）: 量子ウェーブレット変換と量子畳み込みネットワークを用いた画像圧縮
- Abstract要約: 本稿では,グレースケール画像圧縮と圧縮のためのハイブリッド量子古典的枠組みを提案する。
可変量子ダウビーウェーブレット変換(V-QDWT)と、トレーニング可能な量子畳み込みニューラルネットワーク(QCNN)をエンドツーエンドに最適化する。
逆QCNNおよびV-QDWT回路を実装し、粗い画像特徴を再構成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a hybrid quantum-classical framework for grayscale image compression and decompression, leveraging the strengths of quantum computing and deep learning. The compression pipeline integrates a Variational Quantum Daubechies Wavelet Transform (V-QDWT) and a trainable Quantum Convolutional Neural Network (QCNN) optimized end-to-end to achieve efficient, image-adaptive multi-resolution analysis and entanglement-based feature reduction. Input images are encoded using the Normal Arbitrary Superposition State (NASS) representation, enabling compact and scalable quantum storage. For decompression, we implement inverse QCNN and V-QDWT circuits to reconstruct coarse image features natively, followed by a classical Super-Resolution Generative Adversarial Network (SRGAN) to enhance perceptual quality. Experimental evaluations on benchmark grayscale datasets demonstrate the efficacy of our hybrid approach. By jointly training the quantum layers, the base quantum pipeline closely rivals classical JPEG2000 standards. Subsequent SRGAN refinement substantially pushes the boundaries of the reconstruction, achieving superior structural fidelity (PSNR: 30.0667 dB, SSIM: 0.8744, Histogram Correlation: 0.9244). Histogram analysis and qualitative comparisons further validate the restoration of fine textures and intensity distributions. Our findings highlight the potential of combining variational quantum compression with classical deep learning to enable efficient, scalable, and perceptually-aware image processing in quantum-enhanced computing environments.
- Abstract（参考訳）: 本稿では、量子コンピューティングとディープラーニングの強みを生かして、グレースケールの画像圧縮と圧縮のためのハイブリッド量子古典的フレームワークを提案する。
圧縮パイプラインは、可変量子ダウビーウェーブレット変換(V-QDWT)とトレーニング可能な量子畳み込みニューラルネットワーク(QCNN)を最適化し、効率的な画像適応型マルチ解像度解析と絡み合いに基づく特徴量削減を実現する。
入力画像は、NASS(Normal Arbitrary Superposition State)表現を使用して符号化され、コンパクトでスケーラブルな量子ストレージを実現する。
圧縮のために,逆QCNNおよびV-QDWT回路を実装し,粗い画像をネイティブに再構成し,続いて古典的超解法生成適応ネットワーク(SRGAN)を用いて知覚品質を向上させる。
ベンチマークグレースケールデータセットの実験的評価は、我々のハイブリッドアプローチの有効性を示す。
量子層を共同でトレーニングすることで、基本量子パイプラインは古典的なJPEG2000標準と密接に競合する。
その後のSRGANの改良により、構造的忠実性(PSNR: 30.0667 dB、SSIM: 0.8744、ヒストグラム相関: 0.9244)が大幅に向上する。
ヒストグラム解析と定性的比較により、微細なテクスチャと強度分布の復元がさらに検証された。
本研究は,量子コンピューティング環境において,変分量子圧縮と古典的深層学習を組み合わせることで,効率よく,スケーラブルで,知覚的に認識可能な画像処理を実現する可能性を明らかにするものである。
関連論文リスト
- Resource-Efficient Quantum-Enhanced Compressive Imaging via Quantum Classical co-Design [0.0]
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。
論文 参考訳（メタデータ） (2026-04-17T19:41:24Z) - Quantum walk inspired JPEG compression of images [2.928053186719895]
提案手法はMNIST, CIFAR10, ImageNetサブセットを用いて,Pak Signal to Noise Ratio (PSNR), Structure similarity Index (SSIM), Bits Per Pixel (BPP), error Heatmap visual analysis を用いて評価した。
実験の結果,3～6dBPSNR,エッジ,輪郭,輝度遷移の保存性が向上し,デコーダの互換性が変化しないことがわかった。
論文 参考訳（メタデータ） (2026-02-12T05:40:33Z) - Hybrid Vision Transformer and Quantum Convolutional Neural Network for Image Classification [2.920575300184085]
ViT-QCNN-FTは、微調整されたビジョントランスフォーマーと量子畳み込みニューラルネットワークを統合するハイブリッドフレームワークである。
均一に分散した絡み合いエントロピーを持つアンサーゼは、常に優れた非局所的特徴融合をもたらすことを示す。
QCNNを古典的なパラメータ数に置き換えると、劇的な29.36%の減少が起こり、量子優位性の明確な証拠が得られる。
論文 参考訳（メタデータ） (2025-10-14T08:52:14Z) - TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。
これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - Supervised Quantum Image Processing [1.0499611180329806]
量子画像処理 (QIP) は、量子情報科学と画像処理の間の分野である。
4つの異なる量子画像表現(QImR)の圧縮特性を比較し,検討する。
以上の結果から,量子カーネルの分類平均精度は同等だが,画像記憶に要するリソースは指数的に少ないことが示唆された。
論文 参考訳（メタデータ） (2025-07-29T17:40:59Z) - 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) - HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。
HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。
様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
論文 参考訳（メタデータ） (2025-04-03T16:13:34Z) - QUIET-SR: Quantum Image Enhancement Transformer for Single Image Super-Resolution [5.713063730561454]
超解像のための量子画像強調変換器(QUIET-SR)を提案する。これはSwinトランスフォーマーアーキテクチャを拡張し、新しいシフト量子ウィンドウアテンション機構を備えるハイブリッドフレームワークである。
我々は、MNIST (30.24 PSNR, 0.989 SSIM)、FashionMNIST (29.76 PSNR, 0.976 SSIM)、MedMNISTデータセットコレクションのフレームワークを評価し、QUIET-SRがPSNRとSSIMのスコアを最先端の手法に匹敵することを示す。
論文 参考訳（メタデータ） (2025-03-11T16:06:16Z) - 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) - Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG
Encoder-Decoder [73.48927855855219]
本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。
実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
論文 参考訳（メタデータ） (2022-01-27T20:20:03Z)
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。