MediQ-GAN：用于高分辨率医学图像生成的量子启发式 GAN
计算机视觉与模式识别
2025-11-05 v2 机器学习
量子物理
摘要
机器学习辅助诊断展现出良好前景，但医学成像数据集通常稀缺、不平衡且受隐私限制，这使得数据增强变得至关重要。经典生成模型通常需要大量的计算和样本资源。量子计算提供了一种极具前景的替代方案，但现有的基于量子图像生成的方法在规模上仍然受限，且常面临贫瘠高原问题。我们提出了 MediQ-GAN，一种具有原型引导跳跃连接和融合经典与量子启发分支的双流生成器的量子启发式 GAN。其变分量子电路固有地保持全秩映射，避免秩坍缩，并在理论指导下平衡了表达能力与可训练性。除了生成质量，我们还首次对量子启发式 GAN 进行了潜在几何和基于秩的分析，为其性能提供了理论见解。在三个医学成像数据集上，MediQ-GAN 优于 SOTA GAN 和扩散模型。虽然我们在 IBM 硬件上验证了其鲁棒性，但我们的贡献与硬件无关，为医学图像生成和增强提供了一个可扩展且数据高效的框架。
引用
@article{arxiv.2506.21015,
title = {MediQ-GAN: Quantum-Inspired GAN for High Resolution Medical Image Generation},
author = {Qingyue Jiao and Yongcan Tang and Jun Zhuang and Jason Cong and Yiyu Shi},
journal= {arXiv preprint arXiv:2506.21015},
year = {2025}
}