Квантовые модели деноизинга с использованием диффузии

Quantum Denoising Diffusion Models

January 13, 2024

Авторы: Michael Kölle, Gerhard Stenzel, Jonas Stein, Sebastian Zielinski, Björn Ommer, Claudia Linnhoff-Popien

cs.AI

Аннотация

В последние годы модели машинного обучения, такие как DALL-E, Craiyon и Stable Diffusion, привлекли значительное внимание благодаря своей способности генерировать изображения высокого разрешения на основе кратких описаний. Одновременно с этим квантовые вычисления демонстрируют многообещающие успехи, особенно в области квантового машинного обучения, которое использует принципы квантовой механики для удовлетворения растущих вычислительных требований традиционных алгоритмов машинного обучения. В данной статье исследуется интеграция квантового машинного обучения и вариационных квантовых схем для повышения эффективности моделей генерации изображений на основе диффузии. В частности, мы рассматриваем две проблемы классических диффузионных моделей: их низкую скорость выборки и значительные требования к количеству параметров. Мы представляем две квантовые диффузионные модели и сравниваем их возможности с классическими аналогами на наборах данных MNIST, Fashion MNIST и CIFAR-10. Наши модели превосходят классические модели с аналогичным количеством параметров по метрикам производительности FID, SSIM и PSNR. Кроме того, мы предлагаем архитектуру унитарной однократной выборки для модели согласованности, которая объединяет процесс диффузии в один шаг, что позволяет быстро генерировать изображение за один этап.

English

In recent years, machine learning models like DALL-E, Craiyon, and Stable Diffusion have gained significant attention for their ability to generate high-resolution images from concise descriptions. Concurrently, quantum computing is showing promising advances, especially with quantum machine learning which capitalizes on quantum mechanics to meet the increasing computational requirements of traditional machine learning algorithms. This paper explores the integration of quantum machine learning and variational quantum circuits to augment the efficacy of diffusion-based image generation models. Specifically, we address two challenges of classical diffusion models: their low sampling speed and the extensive parameter requirements. We introduce two quantum diffusion models and benchmark their capabilities against their classical counterparts using MNIST digits, Fashion MNIST, and CIFAR-10. Our models surpass the classical models with similar parameter counts in terms of performance metrics FID, SSIM, and PSNR. Moreover, we introduce a consistency model unitary single sampling architecture that combines the diffusion procedure into a single step, enabling a fast one-step image generation.