WTHaar-Net：一种混合量子-经典方法
计算机视觉与模式识别
2026-03-04 v1
摘要
卷积神经网络依赖可在合适变换域中高效重构的线性滤波操作。与此同时，量子计算的进展表明，某些结构化线性变换可通过浅层量子电路实现，为增强深度学习模型提供了混合量子-经典方法的可能性。本文引入 WTHaar-Net，一种卷积神经网络，用 Haar 小波变换 (HWT) 替代先前混合体系结构中的 Hadamard 变换。不同于 Hadamard 变换，Haar 小波变换提供空间局部、多分辨率的表征，更贴合视觉任务的归纳偏置。我们表明 HWT 可通过结构化 Hadamard 门实现量子实现，使其分解为适用于量子电路的酉运算。在 CIFAR-10 和 Tiny-ImageNet 上的实验表明，WTHaar-Net 在保持具竞争力精度的同时实现显著参数降低。在 Tiny-ImageNet 上，我们的方法超越了 ResNet 和基于 Hadamard 的基线。我们在 IBM Quantum 云端硬件上验证了量子实现，证明其与近期量子设备的兼容性。
引用
@article{arxiv.2603.02497,
title = {WTHaar-Net: a Hybrid Quantum-Classical Approach},
author = {Vittorio Palladino and Tsai Idden and Ahmet Enis Cetin},
journal= {arXiv preprint arXiv:2603.02497},
year = {2026}
}
备注
16 pages, 5 images