Quantum Denoising Diffusion Models

最近几年，像DALL-E、Craiyon和Stable Diffusion这样的机器学习模型因其能够从简洁的描述中生成高分辨率图像而受到了广泛关注。与此同时，量子计算正在展现出有望的进展，特别是量子机器学习，它利用量子力学来满足传统机器学习算法日益增长的计算需求。本文探讨了将量子机器学习和变分量子电路相结合，以增强基于扩散的图像生成模型的效能。具体而言，我们解决了经典扩散模型的两个挑战：低采样速度和广泛的参数需求。我们介绍了两个量子扩散模型，并使用MNIST数字、时尚MNIST和CIFAR-10对它们的能力进行了基准测试，与具有相似参数数量的经典模型相比，我们的模型在性能指标FID、SSIM和PSNR方面超越了经典模型。此外，我们引入了一种一致性模型单量子采样架构，将扩散过程合并为一个步骤，实现了快速的一步图像生成。

本论文旨在通过将量子机器学习和变分量子电路与扩散图像生成模型相结合，解决经典扩散模型的低采样速度和大量参数需求的问题。

本论文提出了两种量子扩散模型，并使用MNIST数字、时尚MNIST和CIFAR-10数据集对它们的性能进行了基准测试。相比于具有相似参数数量的经典模型，我们的模型在性能指标FID、SSIM和PSNR方面表现更好。此外，我们还引入了一种一致性模型的幺正单采样架构，将扩散过程合并为一个步骤，实现了快速的单步图像生成。

本论文的亮点包括提出了两种量子扩散模型并对它们进行了基准测试，证明了它们的性能优于经典模型；引入了一致性模型的幺正单采样架构，实现了快速的单步图像生成。实验使用了MNIST数字、时尚MNIST和CIFAR-10数据集，并且开源了代码。

在最近的研究中，也有一些关于量子机器学习和图像生成的相关研究，例如Quantum Generative Adversarial Networks (qGANs)和Quantum Autoencoders。