基于量子条件扩散模型丰富地球观测标记数据
量子物理
2025-12-24 v1
摘要
扩散模型(DMs)在地球观测(EO)领域的快速采用已开启新的生成能力，旨在产生统计属性 closely match 真实图像的新样本，用于合成缺失数据、增强稀缺标记数据集以及改进图像重建。这在EO中尤为重要，因为标记数据往往昂贵且有限。然而，经典DMs仍面临数百到数千个推断步骤的计算限制，以及难以捕获EO数据特有的复杂空间和光谱相关性。量子机器学习(QML)的最新研究，包括初始的量子生成模型尝试，提供了一种根本不同的方法来克服这些挑战。 motivated by these considerations,我们引入Quanvolutional Conditioned U-Net(QCU-Net)，一种混合量子-经典架构，将量子操作应用于条件扩散框架内，采用新颖的quanvolutional特征提取方法，用于生成合成标记EO图像。在EuroSAT RGB数据集上进行大规模实验表明，QCU-Net取得优异结果。显著地，它将Fr\'echet Inception Distance降低64%，将Kernel Inception Distance降低76%，并实现更高的语义准确率。消融研究进一步揭示， strategically positioning quantum layers and employing entangling variational circuits可增强模型性能和收敛。该工作代表了在EO领域成功适配class-conditioned quantum diffusion建模的首次尝试，为量子增强遥感图像合成开辟了道路。
引用
@article{arxiv.2512.20448,
title = {Enriching Earth Observation labeled data with Quantum Conditioned Diffusion Models},
author = {Francesco Mauro and Francesca De Falco and Lorenzo Papa and Andrea Ceschini and Alessandro Sebastianelli and Paolo Gamba and Massimo Panella and Silvia Ullo},
journal= {arXiv preprint arXiv:2512.20448},
year = {2025}
}