.png){kind=icon}
返回
Enhancing a convolutional autoencoder with a quantum approximate optimization algorithm for image noise reduction
.png){kind=icon}
PRE
AI
DOI：10.1088/2632-2153/ae1656.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像去噪对于在图像采集过程中由电子设备故障或其他因素引起的噪声去除至关重要。它确保了图像质量的保持和准确解释。许多卷积自编码器算法已被证明在图像去噪中有效。由于量子计算机具有有前景的效率，它们已获得普及。本文提出了一种方法，即量子卷积自编码器（QCAE），该方法通过使用通过量子近似优化算法（QAOA）启发的电路实现的量子对应项替换其潜在空间，来增强传统卷积自编码器。为了提高效率，我们利用了QAOA融入的参数平移规则的优点，以确定优化的成本函数，从而促进从数据中有效学习和在实际量子计算机上计算梯度。所提出的QCAE方法优于其经典对应项，因为它表现出更低的训练损失和更高的结构相似性指数（SSIM）值。在MNIST数据集的去噪方面，QCAE在SSIM值方面比其经典对应项高出高达40%，证实了其在实际应用中的增强能力。对QAOA在不同电路配置和层变化中的性能评估表明，我们的技术平均比其他电路设计高出25%。
Keyword:
quantum computing
quantum convolutional autoencoder
variational quantum algorithm
quantum machine learning
期刊
M
IF:
4.6
论文数:
1.1K
被引数:
3.4K
机构
引用论文
Near-term quantum computing techniques: Variational quantum algorithms, error mitigation, circuit compilation, benchmarking and classical simulation近期量子计算技术: 变分量子算法，误差缓解，电路编译，基准测试和经典仿真
PREAI
分享收藏
Development of variational quantum deep neural networks for image recognition用于图像识别的变分量子深度神经网络的发展.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容