3D-QAE：三维点云的全量子自编码
计算机视觉与模式识别
2023-11-10 v1
摘要
现有的三维表示学习方法是在经典硬件上训练和测试的深度神经网络。量子机器学习架构尽管在速度和表示能力方面具有理论上的优势，但迄今为止尚未被考虑用于该问题，也未用于一般涉及三维数据的任务。因此，本文引入了首个用于三维点云的自编码器。我们的 3D-QAE 方法是全量子的，即其所有数据处理组件均为量子硬件设计。它在三维点云集合上训练以产生其压缩表示。除了寻找合适的架构外，设计这种全量子模型的核心挑战包括三维数据归一化和参数优化，我们针对这两项任务均提出了解决方案。在模拟的基于门的量子硬件上的实验表明，我们的方法优于简单的经典基线，为三维计算机视觉的新研究方向铺平了道路。源代码可在 https://4dqv.mpi-inf.mpg.de/QAE3D/ 获取。
引用
@article{arxiv.2311.05604,
title = {3D-QAE: Fully Quantum Auto-Encoding of 3D Point Clouds},
author = {Lakshika Rathi and Edith Tretschk and Christian Theobalt and Rishabh Dabral and Vladislav Golyanik},
journal= {arXiv preprint arXiv:2311.05604},
year = {2023}
}
备注
20 pages, 11 figures, 5 tables