CoQui: A Coordinate-Conditioned Quantum Implicit Generative Adversarial Network for End-to-End Image Generation
Di cosa parla
Si esplora la generazione di immagini con un approccio quantistico che calcola il colore di ogni punto a partire dalla sua posizione nello spazio e da variabili latenti. Una rete classica traduce queste informazioni in parametri per circuiti quantistici; la misura di un elemento quantistico fornisce l'intensità del pixel, permettendo di dissociare la risoluzione dalla struttura di indirizzamento e superare limiti di normalizzazione. Simulazioni mostrano miglioramenti rispetto ad altri metodi, usando meno risorse quantistiche.
Cosa permette di osservare
Permette di esplorare se metodi ibridi quantistico‑classici possono generare immagini ad alta risoluzione senza aumentare molto le risorse quantistiche e come ottenere un controllo preciso dei singoli pixel evitando concorrenze nella rappresentazione.
Dalla fonte
Quantum generative adversarial networks (QGANs) have attracted increasing attention for image generation using parameterized quantum circuits. Existing amplitude-based approaches face two key limitations: pixel locations are typically encoded by computational-basis indices or address qubits, causing quantum resources to grow with image resolution; meanwhile, jointly decoding many pixels from normalized quantum states introduces probability competition among pixels and limits precise pixel-wise control. To address these issues, we reformulate quantum image generation as coordinate-conditioned implicit function learning. Our method takes spatial coordinates and latent variables as inputs, uses a classical embedding network to generate input-dependent circuit parameters, and evaluates a variational quantum circuit at each coordinate. Pixel intensities are directly obtained from the expecta…