Quantum Multi-Model Fitting

要約

幾何学的モデルのフィッティングは、挑戦的ではありますが基本的なコンピューター ビジョンの問題です。
最近、量子最適化は、単一モデルの場合の堅牢なフィッティングを強化することが示されましたが、マルチモデルフィッティングの問題は未解決のままです。
この課題に対応して、この論文では、後者のケースが量子ハードウェアから大きな恩恵を受けることができることを示し、マルチモデル フィッティング (MMF) への最初の量子アプローチを提案します。
目的関数を緩和せずに最新の断熱量子コンピューターで効率的にサンプリングできる問題として MMF を定式化します。
また、実世界規模の問題をサポートする、メソッドの反復分解バージョンも提案します。
実験的評価は、さまざまなデータセットで有望な結果を示しています。
ソース コードは https://github.com/FarinaMatteo/qmmf で入手できます。

要約(オリジナル)

Geometric model fitting is a challenging but fundamental computer vision problem. Recently, quantum optimization has been shown to enhance robust fitting for the case of a single model, while leaving the question of multi-model fitting open. In response to this challenge, this paper shows that the latter case can significantly benefit from quantum hardware and proposes the first quantum approach to multi-model fitting (MMF). We formulate MMF as a problem that can be efficiently sampled by modern adiabatic quantum computers without the relaxation of the objective function. We also propose an iterative and decomposed version of our method, which supports real-world-sized problems. The experimental evaluation demonstrates promising results on a variety of datasets. The source code is available at: https://github.com/FarinaMatteo/qmmf.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google