量子去噪扩散模型
量子物理
2024-01-17 v1 计算机视觉与模式识别
摘要
近年来，像DALL-E、Craiyon和Stable Diffusion这样的机器学习模型因其从简洁描述生成高分辨率图像的能力而获得了显著关注。同时，量子计算正展现出令人鼓舞的进展，特别是量子机器学习，它利用量子力学来满足传统机器学习算法日益增长的计算需求。本文探索了量子机器学习与变分量子电路的集成，以增强基于扩散的图像生成模型的效能。具体来说，我们解决了经典扩散模型的两个挑战：其低采样速度和大量的参数需求。我们引入了两种量子扩散模型，并使用MNIST数字、Fashion MNIST和CIFAR-10数据集，将其能力与经典对应模型进行了基准测试。在性能指标FID、SSIM和PSNR方面，我们的模型超越了具有相似参数数量的经典模型。此外，我们引入了一种一致性模型酉单次采样架构，将扩散过程合并为单一步骤，从而实现快速的一步图像生成。
引用
@article{arxiv.2401.07049,
title = {Quantum Denoising Diffusion Models},
author = {Michael Kölle and Gerhard Stenzel and Jonas Stein and Sebastian Zielinski and Björn Ommer and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2401.07049},
year = {2024}
}