量子科技中心_量科网

该研究团队提出了一种基于量子隐式神经表示（QINR）的自动编码器（AE）和变分自动编码器（VAE），用于图像重建与生成任务。研究旨在证明QINR在VAE和AE中能将潜在空间信息转化为具有高度丰富性、周期性和高频特征的数据，并表明QINR-VAE在图像生成中比各类量子生成对抗网络（QGAN）模型更稳定，因其能解决生成多样性不足的问题。这种量子-经典混合模型由经典卷积神经网络（CNN）编码器与基于量子的QINR解码器构成。 在训练过程中，研究人员采用对数二元交叉熵（BCEWithLogits）作为QINR-AE/VAE的重建损失函数。针对QINR-VAE，额外引入Kullback-Leibler散度进行潜在空间正则化，并采用beta/容量调度策略以防止后验坍塌。团队还提出数据重上传中的可学习角度缩放机制来解决优化挑战。通过在MNIST、E-MNIST和Fashion-MNIST数据集上的测试表明：相较于现有生成模型，QINR-VAE结构能以少量数据生成更多样化的图像，且生成和重建的图像具有清晰的边界与细节特征。 最终研究发现，在AE/VAE框架中加入基于QINR的量子层，能够在参数受限条件下显著提升图像重建与生成的性能。