HQFNN：一种紧凑量子-模糊神经网络用于精确图像分类

深度学习视觉系统在模式识别方面表现出色，但在面对噪声输入或需要解释自身置信度时表现不佳。模糊推理凭借其分级成员资格和规则透明性提供了解决方案，而参数化量子电路能够在丰富的 Hilbert 空间中以惊人的参数效率嵌入特征。基于此，我们提出了一种创新的高度量化模糊神经网络 (HQFNN)，其在浅层量子电路内部实现整个模糊管道，并将 resulting quantum signal 与轻量级 CNN 特征提取器耦合。每个图像特征首先通过重复角度重新上传映射到单个量子位成员态。随后，一个紧凑的规则层细化这些振幅，一个聚类 CNOT 去模糊器将其折叠为一个清晰值，与经典特征融合后用于分类。在标准图像基准测试上评估的 HQFNN 持续超过经典、模糊增强和量子基线，训练权重数量降低几个数量级，其准确率在模拟的极化和幅度衰减噪声下仅轻微下降，表明其具有内在鲁棒性。电路深度分析进一步表明，电路深度随输入维度增长呈亚线性，确认该模型适用于更大图像。这些结果将该模型定位为传统视觉 backbone 的紧凑、可解释且抗噪声的替代方案，并为未来的量子原生模糊学习框架提供了模板。