量子科技中心_量科网

扩散模型（DMs）在地球观测（EO）领域的快速应用释放了新的生成能力，旨在生成统计特性与真实影像高度匹配的新样本，用于合成缺失数据、增强稀缺标注数据集以及改进图像重建等任务。这对于标注数据获取成本高且数量有限的EO领域尤为重要。然而，传统DMs仍面临显著计算限制——需要数百至数千次推理步骤，且难以捕捉EO数据特有的复杂空间与光谱相关性。量子机器学习（QML）的最新研究（包括量子生成模型的初步尝试）为解决这些挑战提供了根本性新思路。基于此，该团队提出了“量子卷积条件U-Net”（QCU-Net），这是一种混合量子-经典架构，通过新型量子卷积特征提取方法，在条件扩散框架内应用量子运算来生成合成标注EO影像。在EuroSAT RGB数据集上的大量实验表明，QCU-Net实现了卓越性能：显著将Fréchet起始距离降低64%，核起始距离减少76%，并获更高语义准确度。消融研究进一步揭示，量子层的战略定位与纠缠变分电路的使用能提升模型性能与收敛性。该工作首次成功将类别条件量子扩散建模应用于EO领域，为量子增强的遥感影像合成开辟了新途径。