通过学习理论推进量子成像
摘要
我们通过应用用于物理神经网络 (PNNs) 的可解析表达容量 (REC) 形式来研究量子成像。在这一量子学习范式中，成像系统作为将输入参数映射到可测量特征的物理学习设备发挥作用，而复杂的实际任务仅通过训练输出权重来处理，enabled by 对 well-estimated features (特征) 及其对应样本阈值的 systematic identification。使用这一框架，我们分析了 direct imaging 和超分辨率策略，这些策略适用于 small sources，即尺寸受限于瑞利极限以下的 sources。特别是，我们引入 orthogonalized SPADE 方法——对现有超分辨率技术的 non-trivial generalization——在多个紧密间距的 compact sources 上实现了 superior performance。该方法放宽了 earlier superresolution 研究强假设的限制，即 entire source 必须位于瑞利极限内，这标志着一个重要的步骤，以发展更 general and practically applicable 的方法。使用面部识别的 example，该方法涉及 complex structured sources，我们展示了 orthogonalized SPADE 方法的 superior performance，并突出了量子学习方法的 key advantages——其 ability to tackle complex imaging tasks and enhance performance by selectively extracting well-estimated features。
引用
@article{arxiv.2501.15685,
title = {Advancing quantum imaging through learning theory},
author = {Yunkai Wang and Changhun Oh and Junyu Liu and Liang Jiang and Sisi Zhou},
journal= {arXiv preprint arXiv:2501.15685},
year = {2026}
}