面向高质量图像生成的潜在风格量子生成对抗网络
量子物理
2024-06-06 v1
摘要
量子生成建模是实现数据分析实际优势的有前景的候选方案之一。然而，一个关键挑战是生成的大尺寸图像与其经典对应物相当。在本工作中，我们采取一步初步工作，引入潜在风格量子生成对抗网络(LaSt-QGAN)，其采用混合经典-量子方法来训练生成对抗网络(GAN)以进行任意复杂数据生成。这种新方法依赖于强大的经典自编码器将高维原始图像数据集映射到潜在表示中。混合经典-量子GAN在该潜在空间中生成任意数量的假特征，然后通过自编码器重建原始数据。我们的 LaSt-QGAN 可在现实计算机视觉数据集上成功训练，超出标准 MNIST，即 Fashion MNIST(时尚产品)和 SAT4(地球观测图像)，使用 10 个量子比特，实现与经典GAN相当的性能（在某些指标上甚至更好）。此外，我们分析了在持续量子生成模型中出现的 barren plateau 现象，使用多项式深度电路，并提出一种方法来缓解深层网络训练中的不利影响。通过实验和理论分析，我们展示了 LaSt-QGAN 在图像生成上下文中的潜力，并为未来应用于更大数据集打开可能性。
引用
@article{arxiv.2406.02668,
title = {Latent Style-based Quantum GAN for high-quality Image Generation},
author = {Su Yeon Chang and Supanut Thanasilp and Bertrand Le Saux and Sofia Vallecorsa and Michele Grossi},
journal= {arXiv preprint arXiv:2406.02668},
year = {2024}
}
备注
28 pages, 22 figures