用于图像生成的量子生成模型：来自MNIST和MedMNIST的见解
量子物理
2025-04-04 v2 机器学习
摘要
量子生成模型通过利用量子电路来提升数据生成能力，为机器学习的新兴方向提供了前景。本研究提出一种混合量子-经典图像生成框架，将变分量子电路集成到基于扩散的方法中。为改进训练动力学和生成质量，我们引入了两种新颖的噪声策略：内在量子生成噪声和量身定制的噪声调度机制。该方法基于轻量级U-Net架构， 将量子层嵌入瓶颈模块以隔离其影响。我们在MNIST和MedMNIST数据集上评估了该模型以检验其可行性和性能。值得注意的是，在数据有限的情况下（少于100张训练图像），量子增强模型生成的图像在感知质量和分布相似性方面优于使用相同架构的经典模型。尽管量子模型在灰度数据（如MNIST）方面表现出优势，但在颜色丰富且复杂的数据集（如PathMNIST）上的表现更为细致。这些发现凸显了量子生成模型的潜力及其当前局限性，为未来在低资源和生物医学图像生成方面的发展奠定了基础。
引用
@article{arxiv.2504.00034,
title = {Quantum Generative Models for Image Generation: Insights from MNIST and MedMNIST},
author = {Chi-Sheng Chen and Wei An Hou and Hsiang-Wei Hu and Zhen-Sheng Cai},
journal= {arXiv preprint arXiv:2504.00034},
year = {2025}
}