量子科技中心_量科网

机器学习辅助诊断在皮肤病检测领域日益受到重视，但训练有效模型需要大量高质量数据。皮肤病数据集常面临类别不平衡、隐私问题和对象偏差等挑战，这使得数据增强技术尤为关键。虽然经典生成模型被广泛采用，但其需要大量计算资源和漫长训练周期。量子计算提供了极具前景的替代方案，但现有量子图像生成方法仅能产生低质量灰度图像。通过创新的经典-量子潜空间融合技术，该研究团队突破了这一限制，开发出首个能够生成彩色医学图像的经典-量子生成对抗网络（GAN）。该模型在图像生成质量和作为数据增强手段时的分类性能提升方面，均优于经典深度卷积GAN和现有混合经典-量子GAN。值得注意的是，其性能提升效果与最先进的经典生成模型相当，但参数数量减少了25倍以上，训练周期缩短了10倍。这一成果表明，随着量子硬件的发展，量子图像生成技术将拥有广阔前景。最后，研究人员在真实IBM量子计算机上验证了该模型在硬件噪声条件下的稳定性能。