論文の概要: Quantum Diffusion Models for Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2609.31070v1
• Date: Fri, 25 Sep 2026 10:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.334164
• Title: Quantum Diffusion Models for Medical Image Analysis
• Title（参考訳）: 医用画像解析のための量子拡散モデル
• Abstract要約: 本稿では,スケーラブルなハイブリッド量子拡散モデルを提案する。 具体的には、実際の量子デバイス上で実行される離散時間量子ウォークアルゴリズムに基づく。 拡散モデルの下位ステップとして,データを逆認知するために使用される古典的な学習モデルを考案し,評価する。
• 参考スコア（独自算出の注目度）: 0.24629531282150874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Machine Learning is a novel field of research aimed at devising machine learning approaches exploiting principles of quantum mechanics, such as superposition, entanglement and interference. In this context, we present a scalable hybrid Quantum Diffusion Model, and evaluate its use for medical image analysis. Specifically, our method is based on a Discrete-Time Quantum Walk algorithm, executed on a real quantum device, to model the forward dynamics of the diffusion model. For the backward step of the diffusion model, we devise and evaluate a classical learning model, which is used to reversely denoise the data. In contrast with other existing attempts at applying quantum machine learning for image analysis tasks, severely limited by the size of existing quantum devices, our method allows to process real-world large size medical data. In particular, we present results on grayscale and RGB images, as well as 3D volumes of moderate sizes. We benchmark our results by reproducing an alternative classical counterpart model, based on diffusion models on discrete state spaces. By doing so, we compare the generation capabilities of both models in terms of three distinct state-of-the-art metrics in the field of image generation, showing the competitive, promising results of our approach.
• Abstract（参考訳）: 量子機械学習(Quantum Machine Learning)は、重ね合わせ、絡み合い、干渉といった量子力学の原理を活用する機械学習アプローチの考案を目的とした、新しい研究分野である。 本稿では,スケーラブルなハイブリッド量子拡散モデルを提案し,その医療画像解析への応用を評価する。 具体的には、実際の量子デバイス上で実行される離散時間量子ウォークアルゴリズムに基づいて、拡散モデルの前方ダイナミクスをモデル化する。 拡散モデルの下位ステップとして,データを逆認知するために使用される古典的な学習モデルを考案し,評価する。 既存の量子デバイスのサイズによって著しく制限された、画像解析タスクに量子機械学習を適用しようとする既存の試みとは対照的に、本手法では実世界の大規模医療データを処理できる。 特に、グレースケール画像とRGB画像、および適度な大きさの3Dボリュームについて述べる。 我々は、離散状態空間上の拡散モデルに基づいて、代替の古典的対応モデルを再現することで、その結果をベンチマークする。 これにより、画像生成分野における3つの最先端メトリクスの観点から、両モデルの生成能力を比較し、我々のアプローチの競争力、有望な結果を示す。

関連論文リスト

• An Hybrid Quantum-Classical Diffusion Model for Image Generation [10.346003976682585]
  本稿では,古典的自己エンコーダと混合状態量子復調拡散確率モデル(MSQuDDPM)を組み合わせた,スケーラブルなハイブリッド生成パイプラインを提案する。 我々は,MNIST画像生成における提案手法を実証し,現実的な量子ビット予算下でのハイブリッド量子古典的生成モデリングの実践的バックボーンとして,混合状態量子拡散がどのように機能するかを議論する。
  論文  参考訳（メタデータ） (2026-07-08T07:01:07Z)
• Hybrid Quantum-Classical Latent Diffusion Models for Medical Image Generation [0.0]
  本稿では,量子強調拡散と変分オートエンコーダ(VAE)モデルを提案し,基底網膜画像生成タスクで検証する。 数値実験では、量子エンハンスドモデルを用いて生成した画像は高品質で、86%が外部検証によりグレータブルに分類されている。 我々は,数値実験の確認のためにノイズテストを行い,量子ハードウェアのノイズを用いた場合,多様性と忠実性の両面から,量子強調拡散モデルによって高画質な画像が得られることを発見した。
  論文  参考訳（メタデータ） (2025-08-13T16:01:20Z)
• 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)
• Quantum Denoising Diffusion Models [4.763438526927999]
  2つの量子拡散モデルを導入し、それらの能力と古典的能力とをベンチマークする。 我々のモデルは、FID、SSIM、PSNRのパフォーマンス指標の点で、類似したパラメータ数を持つ古典モデルを上回る。
  論文  参考訳（メタデータ） (2024-01-13T11:38:08Z)
• Towards Accurate Post-training Quantization for Diffusion Models [73.19871905102545]
  本稿では,効率的な画像生成のための拡散モデル(ADP-DM)の高精度なデータフリーポストトレーニング量子化フレームワークを提案する。 提案手法は, 拡散モデルの学習後の量子化を, 同様の計算コストで, 非常に大きなマージンで高速化する。
  論文  参考訳（メタデータ） (2023-05-30T04:00:35Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)
• State preparation and measurement in a quantum simulation of the O(3) sigma model [65.01359242860215]
  我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。 本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。 非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
  論文  参考訳（メタデータ） (2020-06-28T23:44:12Z)

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。