VAE-QWGAN：通过自编码先验解决量子 GAN 中的模式崩溃问题

近期提出的量子生成对抗网络（GAN）存在与经典 GAN 类似的模式崩溃问题，即 GAN 学习到的分布无法捕捉目标分布的高模式复杂性。模式崩溃可能源于生成学习任务中使用了无信息先验分布。为缓解量子 GAN 的模式崩溃问题，本文提出了一种新颖的\textbf{量子-经典混合生成模型} VAE-QWGAN，它结合了经典变分自编码器（VAE）与量子 Wasserstein GAN（QWGAN）的优势。VAE-QWGAN 将 VAE 解码器与 QWGAN 生成器融合为单个量子模型，并在训练期间利用 VAE 编码器进行依赖数据的潜在向量采样。这反过来又提升了生成图像的多样性与质量。为了在推理时从训练好的模型生成新数据，我们从训练期间生成的潜在向量上学习到的混合高斯模型（GMM）先验中进行采样。我们在 MNIST/Fashion-MNIST 数据集上对图像生成 QGAN 进行了大量实验，并计算了一系列衡量生成样本多样性与质量的指标。我们表明，VAE-QWGAN 相比现有 QGAN 方法展现出显著提升。