Klassische Ansätze zur Nutzung generativer Priors für die Wiederherstellung und Manipulation von Bildern haben beeindruckende Ergebnisse erbracht. Der Deep Image Prior (DIP) zeigt, dass die strukturellen Merkmale von faltenden neuronalen Netzen inhärent Bilddaten erfassen und diese Statistiken effektiv als Bildprior verwenden. Generative Adversarial Networks (GANs) werden ausgiebig zur Modellierung komplexer Daten, insbesondere natürlicher Bilder, eingesetzt. Die inhärente Mannigfaltigkeit natürlicher Bilder kann durch die Integration eines lernbaren Generators G und eines latenten Raums \({{\mathcal{Z}}}\) approximiert werden. Der DIP-Ansatz fixiert den latenten Raum und optimiert G basierend auf der Verlustfunktion. Ein Nachteil von DIP ist, dass der Wiederherstellungsprozess hauptsächlich auf bestehenden Statistiken im Eingangsbild beruht. DIP auf Anwendungen anzuwenden, die allgemeinere Statistiken erfordern, ist daher nicht praktikabel.
Die DGP-Methode verbessert DIP, indem sie gleichzeitig den latenten Raum und den Generator optimiert und damit die Mannigfaltigkeit von GANs erweitert. DGP verwendet ein lernbares Gauß’sches Prior als latenten Raum. In diesem Zusammenhang führen wir die QDGP-Methode ein, die parameterisierte Quantenschaltungen zur Generierung einer Prior-Verteilung als quantenhaften latenten Raum nutzt, um die Leistung von GANs bei Bildverarbeitungsaufgaben zu verbessern. Die PQC kann theoretisch jede kontinuierliche Multivariatenverteilung approximieren und hat das Potenzial, die GAN-Mannigfaltigkeit an die Grenzen der natürlichen Bildmannigfaltigkeit zu erweitern.
In nahen quantenmechanischen Geräten besteht ein PQC typischerweise aus variationalen quantenmechanischen Schichten und Verschränkungsschichten. Durch Auswahl einiger Observablen M zur Messung des Quantenzustands können Quantenstatistiken erhalten werden. Die Erwartung des M wird als der entnommene latente Code aus dem Quanten-Hilbertraum betrachtet. Ein PQC kann natürlicherweise eine Gauß’sche Verteilung erlernen, indem die Parameter optimiert werden, wodurch der PQC-generierte latente Code allgemeiner ist als Gauß’sche latente Codes. Mit dieser Methode wurde eine verbesserte Bildwiederherstellung durchgeführt, indem PQC als latenter Raum integriert wurde und der Generator in GANs optimiert wurde.