Quantum Generative Learning for High-Resolution Medical Image Generation

量子计算与生成式机器学习模型的整合有潜力提供诸如训练加速和优越的特征提取等好处。然而，现有的量子生成式对抗网络（QGANs）由于其基于补丁和像素的学习方法而无法生成高质量的图像。这些方法仅捕捉局部细节，忽略了图像的全局结构和语义信息。在本文中，我们通过提出一种量子图像生成学习（QIGL）方法来解决这些挑战，用于高质量医学图像生成。我们提出的量子生成器利用变分量子电路方法解决可扩展性问题，从图像中提取主要成分，而不是将其分成补丁。此外，我们在QIGL框架中集成了Wasserstein距离，以生成多样的医学样本。通过对膝骨关节炎的X射线图像和医学MNIST数据集进行系统的一系列模拟，我们的模型表现出卓越的性能，与文献中报道的其经典对应和先进的QGAN模型相比，实现了最低的Fréchet Inception Distance（FID）得分。

提出量子图像生成学习（QIGL）方法，以解决现有量子生成对抗网络（QGANs）在生成高质量图像方面的局限性，特别是在医学图像领域的应用。

QIGL方法通过变分量子电路方法提取图像的主要成分，而不是将其分成块，从而解决了现有QGANs局限性的问题。

论文在X-ray图像和医学MNIST数据集上进行了系统的模拟，证明了QIGL方法在生成高质量医学图像方面的优越性。

最近的相关研究包括：基于深度学习的图像生成方法，以及其他基于量子计算的图像生成方法，如QGANs。