量子科技中心_量科网

深度神经网络已被证明在图像识别、分割、重构或去噪等计算机视觉任务中表现卓越。该研究团队通过将深度卷积神经网络模型与由散粒噪声设定的标准量子极限和海森堡精度极限进行对比，评估了此类模型在图像重构方面的终极性能极限。研究人员利用相干态光照明下的自然物体图像训练U-Net模型，发现重构的平均均方误差能够突破标准量子极限，在某些情况下甚至达到海森堡极限。 此外，该工作针对参数化良好的图像训练模型——这类图像可计算量子克拉美-罗界，从而确定给定探测状态下待估参数的最小可能测量方差。结果表明，在不同参数化图像中，模型预测的均方误差均能达到这些针对参数计算的理论界限。这些发现表明，深度卷积神经网络能够通过训练成为物理学定律允许的最优估计器，在物体经典照明场景下，实现参数估计与图像重构的终极精度极限。