医学图像生成的混合量子-经典潜在扩散模型
量子物理
2025-08-14 v1
摘要
医学研究中的生成学习模型对于 developing 深度学习模型的训练数据和发展诊断工具至关重要，但高质量、多样化图像的问题仍是开放的研究课题。量子增强的生成模型已在文献中提出并测试，但受限于规模较小，远未达到行业相关规模。在本文中，我们提出量子增强的扩散和变分自编码器（VAE）模型，并在视网膜底图像生成任务上进行测试。在我们的数值实验中，使用量子增强模型生成的图像在外部验证中69%被分类为可诊断图像，而经典模型为69%。此外，他们在特征上更接近于真实图像分布，与使用经典扩散模型生成的图像相比，即使经典扩散模型规模更大。此外，我们进行了噪声测试以确认数值实验，发现量子增强扩散模型在经典模型测试时，能够在多样性和保真度方面产生更高质量的图像。我们的结果表明，当前量子硬件上的量子扩散模型是进一步研究量子效应在医学图像生成中工业相关问题上具有强大的目标。
引用
@article{arxiv.2508.09903,
title = {Hybrid Quantum-Classical Latent Diffusion Models for Medical Image Generation},
author = {Kübra Yeter-Aydeniz and Nora M. Bauer and Pranay Jain and Max Masnick},
journal= {arXiv preprint arXiv:2508.09903},
year = {2025}
}