量子隐式神经表征在确定性和概率自编码器中的实现：用于图像重构/生成任务
机器学习
2026-03-17 v2 量子物理
摘要
我们提出了一种基于量子隐式神经表征 (QINR) 的自编码器 (AE) 和变分自编码器 (VAE)，用于图像重构和生成任务。我们的目的是演示 QINR 在 VAE 和 AE 中可以将来自潜在空间的信息转化为丰富的、周期性的和高频特征。此外，我们旨在表明 QINR-VAE 在图像生成方面比各种量子生成对抗网络 (QGAN) 模型更稳定，因为它可以解决低多样性问题。我们的量子-经典混合模型由经典卷积神经网络 (CNN) 编码器和基于 QINR 的解码器组成。我们使用二进制交叉熵带 logits (BCEWithLogits) 作为重构损失训练 QINR-AE/VAE。对于 QINR-VAE，我们还额外采用 Kullback-Leibler 散度进行潜在正则化，并使用 beta/capacity scheduling 防止后验崩溃。我们引入可学习的角度缩放在数据重新上传中以解决优化挑战。我们在 MNIST、E-MNIST 和 Fashion-MNIST 数据集上测试我们的模型，以进行图像重构和生成。我们的结果表明，QINR 结构在 VAE 中可以产生比各种已研究的生成模型更多样化的图像。我们观察到从 QINR-VAE/AE 生成和重构的图像清晰且边缘和细节锐利。总体而言，我们发现将 QINR 基于量子的图层添加到 AE/VAE 框架中，可在受限参数集合下提高重构和生成性能。
引用
@article{arxiv.2603.06755,
title = {Implementation of Quantum Implicit Neural Representation in Deterministic and Probabilistic Autoencoders for Image Reconstruction/Generation Tasks},
author = {Saadet Müzehher Eren},
journal= {arXiv preprint arXiv:2603.06755},
year = {2026}
}