QNeRF: Neural Radiance Fields on a Simulated Gate-Based Quantum Computer

最近，量子视觉场（QVF）在学习给定二维或三维信号时，展现出模型更紧凑、收敛速度更快的显著优势。与此同时，基于神经辐射场（NeRF）的新视角合成技术也取得了重大进展，这类模型能够从二维图像中学习紧凑表示以渲染三维场景，但通常需要更大的模型规模和更密集的训练过程。在本研究中，我们拓展了QVF的方法，提出了QNeRF——首个专为从二维图像实现新视角合成而设计的混合量子-经典模型。QNeRF利用参数化量子电路，通过量子叠加与纠缠来编码空间信息和依赖视角的信息，从而获得比经典模型更为紧凑的结构。我们提出了两种架构变体：全量QNeRF最大限度地利用所有量子幅值，以增强其表达能力；而双分支QNeRF则通过将空间信息与视角相关的信息分别进行量子态制备，引入了任务导向的归纳偏置，大幅降低了操作复杂度，并确保了模型的可扩展性以及潜在的硬件兼容性。实验结果表明，在中等分辨率图像上训练时，QNeRF在参数数量不足经典NeRF一半的情况下，性能仍能达到甚至超越经典的NeRF基线模型。这些结果表明，量子机器学习有望成为计算机视觉中中等复杂度任务（例如从二维观测中学习三维表示）下连续信号表征的一种具有竞争力的替代方案。

论文试图解决传统NeRF模型在新视角合成任务中模型规模大、训练开销高的问题，探索是否可以通过量子机器学习方法实现更紧凑且高效收敛的连续信号表示。这是一个相对较新的问题，尤其是在将量子计算与经典神经渲染结合的方向上尚属前沿探索。

提出QNeRF，首个用于从2D图像进行新视角合成的混合量子-经典模型，利用参数化量子电路通过量子叠加和纠缠编码空间与视角相关的信息。关键创新在于引入两种架构变体：Full QNeRF充分利用量子振幅增强表达能力，而Dual-Branch QNeRF通过任务感知的分支设计降低复杂度，提升可扩展性与硬件兼容性。相比纯经典NeRF，该方法以不到一半参数量实现相当或更优性能。

实验表明QNeRF在中等分辨率图像上训练时能匹配或超越经典NeRF基线，同时显著减少参数数量；Dual-Branch设计有效降低了量子线路复杂度，有利于实际部署；研究为量子机器学习在计算机视觉中的应用提供了实证支持。目前尚未提及具体数据集名称与开源代码信息，未来值得深入研究量子-经典协同训练策略、更高分辨率扩展以及真实场景下的泛化能力。

1. NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis 2. Fourier Features Let Networks Learn High Frequency Functions in Low Dimensional Domains 3. Instant Neural Graphics Primitives with CUDA-Accelerated Training 4. Quantum Visual Fields: A Quantum-Classical Framework for Compact Signal Representation