基于神经噪声编码与强度校准的端到端 QGAN 图像合成
量子物理
2026-03-20 v1 计算机视觉与模式识别
摘要
量子生成对抗网络 (QGAN) 为在近期量子设备上学习数据分布提供了一条有前景的路径。然而，现有的用于图像合成的 QGAN 避免直接生成完整图像，而是依赖经典后处理或基于块的方法。这些方法削弱了量子生成器的作用，并且难以捕捉全局图像语义。为了解决这个问题，我们提出了 ReQGAN，一个端到端框架，它使用单个 D 量子比特量子电路合成整幅 N=2^D 像素的图像。ReQGAN 克服了阻碍直接像素生成的两个基本瓶颈：(1) 刚性的经典到量子噪声接口，以及 (2) 归一化的量子统计量与期望的像素强度空间之间的输出不匹配。我们引入了一个可学习的神经噪声编码器用于自适应状态准备，以及一个可微分的强度校准模块，用于将测量结果映射到稳定、视觉上有意义的像素域。在 MNIST 和 Fashion-MNIST 上的实验表明，ReQGAN 在严格的量子比特预算下实现了稳定的训练和有效的图像合成，消融研究验证了每个组件的贡献。
引用
@article{arxiv.2603.18554,
title = {End-to-End QGAN-Based Image Synthesis via Neural Noise Encoding and Intensity Calibration},
author = {Xue Yang and Rigui Zhou and Shizheng Jia and Dax Enshan Koh and Siong Thye Goh and Yaochong Li and Hongyu Chen and Fuhui Xiong},
journal= {arXiv preprint arXiv:2603.18554},
year = {2026}
}