ترجمه فارسی مقاله VAE-QWGAN: بهبود GAN های کوانتومی برای تولید تصویر با وضوح بالا

چکیده

This paper presents a novel hybrid quantum generative model, the VAE-QWGAN, which combines the strengths of a classical Variational AutoEncoder (VAE) with a hybrid Quantum Wasserstein Generative Adversarial Network (QWGAN). The VAE-QWGAN integrates the VAE decoder and QGAN generator into a single quantum model with shared parameters, utilizing the VAE’s encoder for latent vector sampling during training. To generate new data from the trained model at inference, input latent vectors are sampled from a Gaussian Mixture Model (GMM), learnt on the training latent vectors. This, in turn, enhances the diversity and quality of generated images. We evaluate the model’s performance on MNIST/Fashion-MNIST datasets, and demonstrate improved quality and diversity of generated images compared to existing approaches.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک مدل مولد کوانتومی ترکیبی جدید ، VAE-QWGAN ، که ترکیب نقاط قوت یک اتوآنکودر متغیر کلاسیک (VAE) با یک شبکه مولد کوانتومی کوانتومی Wasserstein (QWGAN) را نشان می دهد.VAE-QWGAN ، ژنراتور VAE و ژنراتور QGAN را در یک مدل کوانتومی منفرد با پارامترهای مشترک ادغام می کند و از رمزگذار VAE برای نمونه گیری بردار نهفته در طول آموزش استفاده می کند.برای تولید داده های جدید از مدل آموزش دیده در استنتاج ، بردارهای نهفته ورودی از یک مدل مخلوط گاوسی (GMM) نمونه برداری می شوند که در بردارهای نهفته آموزش آموخته شده است.این به نوبه خود ، تنوع و کیفیت تصاویر تولید شده را تقویت می کند.ما عملکرد مدل را در مجموعه داده های MNIST/Fashion-Mnist ارزیابی می کنیم و کیفیت و تنوع تصاویر تولید شده را در مقایسه با رویکردهای موجود نشان می دهیم.