[论文解读] Quantum Image Processing

Alok Anand, Meizhong Lyu+2 more|arXiv (Cornell University)|Mar 1, 2022

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

本文提出了一种基于量子线路的量子图像处理框架，用于边缘检测与二分类任务，利用QPIE进行图像编码，并结合变分量子线路与噪声建模。在MNIST和CIFAR数据集上，该方法在存在噪声的情况下实现了改进的边缘检测准确率，但随着噪声水平和图像尺寸的增加，性能因线路深度和量子比特开销而下降。

ABSTRACT

Image processing is popular in our daily life because of the need to extract essential information from our 3D world, including a variety of applications in widely separated fields like bio-medicine, economics, entertainment, and industry. The nature of visual information, algorithm complexity, and the representation of 3D scenes in 2D spaces are all popular research topics. In particular, the rapidly increasing volume of image data as well as increasingly challenging computational tasks have become important driving forces for further improving the efficiency of image processing and analysis. Since the concept of quantum computing was proposed by Feynman in 1982, many achievements have shown that quantum computing has dramatically improved computational efficiency [1]. Quantum information processing exploit quantum mechanical properties, such as quantum superposition, entanglement and parallelism, and effectively accelerate many classical problems like factoring large numbers, searching an unsorted database, Boson sampling, quantum simulation, solving linear systems of equations, and machine learning. These unique quantum properties may also be used to speed up signal and data processing. In quantum image processing, quantum image representation plays a key role, which substantively determines the kinds of processing tasks and how well they can be performed.

研究动机与目标

• 开发一种基于门模型量子计算的量子图像处理流水线，用于边缘检测与二分类任务。
• 评估噪声（特别是退极化噪声与泡利噪声）对量子边缘检测性能的影响。
• 从运行时间、空间复杂度与准确率等方面，对比量子方法与经典方法在图像数据集上的表现。
• 分析由于线路深度与量子比特需求，量子图像处理在处理更大图像时的可扩展性限制。
• 探索在真实设备部署中，利用量子模拟与噪声模型提升鲁棒性的可行性。

提出的方法

• 使用量子概率图像编码（QPIE）进行量子图像编码，可在减少量子比特数量的前提下实现矩形图像表示。
• 基于基于泡利门的特征映射，实现基于参数化量子线路（PQC）的量子边缘检测（QHED）流水线。
• 采用结合逻辑回归模型与Lasso正则化的变分量子分类器，用于多类图像分类。
• 使用量子态矢量模拟器与qasm模拟器，在MNIST与CIFAR-10数据集上训练与测试模型，并通过将数据分割为更小样本以提升可扩展性。
• 在量子线路中引入噪声模型（退极化噪声与泡利噪声），以模拟NISQ时代硬件的限制。
• 通过准确率指标与不同噪声条件下边缘检测结果的可视化对比，对性能进行评估。

实验结果

研究问题

• RQ1 QPIE-based量子图像编码在量子比特效率与可扩展性方面，相较于经典图像表示有何差异？
• RQ2 退极化噪声与泡利噪声对MNIST与CIFAR-10数据集中量子边缘检测准确率的影响如何？
• RQ3 在有限数据样本下训练时，变分量子线路能否在图像数据集中实现具有竞争力的分类准确率？
• RQ4 线路深度与量子比特数量如何影响更大图像处理中量子图像处理的性能与可靠性？
• RQ5 模拟中的噪声模型在多大程度上能反映真实量子硬件在图像处理任务中的限制？

主要发现

• 在无噪声条件下，量子边缘检测模型在MNIST数据集上达到74%的准确率，当泡利噪声概率为0.001时，准确率下降至68%。
• 当退极化噪声同时作用于单量子比特与双量子比特门时，其影响更为显著，导致模型性能劣化程度超过仅作用于单个门的噪声。
• 泡利噪声对分类准确率的影响大于退极化噪声，在低噪声概率（0.01）下准确率下降6%。
• 尽管存在噪声，边缘检测输出中的数字仍可辨识，表明在中等噪声下特征提取具有鲁棒性。
• 当仅使用100个训练样本时，CIFAR-10上的训练准确率下降至10%，主要由于数据分割与样本数量不足。
• 使用量子模拟器显著增加了训练时间，因此需通过数据分割与重组策略以提升大图像的准确率。