[论文解读] A Quantum Edge Detection Algorithm

Giacomo Cavalieri, Dario Maio|arXiv (Cornell University)|Dec 20, 2020

Quantum Computing Algorithms and Architecture参考文献 7被引用 5

一句话总结

本文提出了一种基于QPIE图像表示的改进型量子边缘检测算法，利用量子叠加和酉操作在常数时间内计算有限差分，相较于经典方法实现了指数级加速。该算法通过量子门直接计算梯度近似值，实现更快、更精确的边缘检测，实验结果表明，使用边缘编码态进行图像比较时，相似性检测性能得到提升。

ABSTRACT

The application of quantum computing to the field of image processing has produced several promising applications: quantum image representation techniques have been developed showing how, by taking advantage of quantum properties like entanglement and superposition, many image processing algorithms could have an exponential speed-up in comparison to their "classical" counterparts. In this paper, after briefly discussing some of the main quantum image representation methods, we propose an improved version of a quantum edge detection algorithm.

研究动机与目标

• 为应对大规模数据下经典图像处理带来的日益增长的计算负担，利用量子计算优势。
• 在现有量子边缘检测方法基础上进行改进，实现精确像素检索和更快的导数近似。
• 展示基于QPIE表示的量子边缘检测在实际图像比较任务中的可行性。
• 探索量子算法在提升边缘检测等图像处理任务中实现指数级加速的潜力。

提出的方法

• 该算法使用QPIE（量子概率图像编码）将图像表示为位置与强度量子比特的纠缠叠加态，通过单次测量即可实现精确像素检索。
• 通过一系列受控交换（Fredkin）门比较相邻像素的强度，计算一阶导数的有限差分近似值。
• 对量子态施加移位操作，对齐像素强度以实现成对比较，从而在图像中计算梯度幅值。
• 使用酉变换计算相邻像素之间的绝对差值，在叠加态中近似梯度幅值。
• 将所得的边缘增强态用于交换测试电路，基于其边缘特征比较图像，测量概率反映相似性。
• 该算法设计为与图像大小无关的常数时间运行，相较于基于扫描的经典方法具有指数级加速优势。

实验结果

研究问题

• RQ1 量子计算能否在边缘检测方面相比经典算法实现指数级加速？
• RQ2 像QPIE这样的量子图像表示方法在多大程度上能提升量子边缘检测的准确性和效率？
• RQ3 与原始图像态相比，边缘编码的量子态在多大程度上提升了图像相似性检测性能？
• RQ4 实现Sobel或Prewitt等经典边缘检测滤波器的量子版本需要哪些酉操作？

主要发现

• 所提出的量子边缘检测算法实现了梯度近似计算的常数时间性能，相较于经典O(N)算法具有指数级加速。
• 在Fashion-MNIST图像比较中，交换测试中测量结果为0的概率从原始图像的0.786提升至边缘编码图像的0.812，表明相似性检测准确率提高。
• 图像a与c的比较显示，相似性概率从原始图像的0.759降至边缘编码图像的0.770，反映出通过边缘信息增强了区分能力。
• 尽管仅有一半的量子比特编码了边缘数据，但使用边缘编码态显著提升了图像比较的信息量。
• 该算法成功利用量子门计算有限差分近似值，证明了其在量子图像处理中的可行性。
• 该方法在实现Sobel或Prewitt等更复杂滤波器方面展现出潜力，但寻找相应的酉矩阵仍具挑战。