Outlier-Robust Multi-Model Fitting on Quantum Annealers

要約

マルチモデルフィッティング（MMF）は、特にその組み合わせの性質により、コンピュータービジョンに大きな課題を提示します。
量子コンピューティングの最近の進歩は、NPハードの問題に対処するための見込みを提供しますが、モデルフィッティングのための既存の量子ベースのアプローチは単一のモデルに限定されるか、外れ値のないデータセット内のマルチモデルシナリオを検討します。
このホワイトペーパーでは、外れ値を効果的に処理するように設計された堅牢な量子マルチモデルフィッティング（R-QUMF）アルゴリズムを紹介します。
私たちの方法は、MMFタスクに固有の組み合わせの課題に取り組むために量子ハードウェアの本質的な機能を活用しており、モデルの正確な数の事前知識を必要とせず、それによってその実用的な適用性を高めます。
問題を断熱量子コンピューター（AQC）の最大セットカバレッジタスクとして策定することにより、R-QUMFは既存の量子技術を上回り、さまざまな合成および実世界の3Dデータセットで優れたパフォーマンスを実証します。
私たちの調査結果は、特に騒々しいデータを備えた現実世界のシナリオで、MMFの複雑さに対処する量子コンピューティングの可能性を強調しています。

要約(オリジナル)

Multi-model fitting (MMF) presents a significant challenge in Computer Vision, particularly due to its combinatorial nature. While recent advancements in quantum computing offer promise for addressing NP-hard problems, existing quantum-based approaches for model fitting are either limited to a single model or consider multi-model scenarios within outlier-free datasets. This paper introduces a novel approach, the robust quantum multi-model fitting (R-QuMF) algorithm, designed to handle outliers effectively. Our method leverages the intrinsic capabilities of quantum hardware to tackle combinatorial challenges inherent in MMF tasks, and it does not require prior knowledge of the exact number of models, thereby enhancing its practical applicability. By formulating the problem as a maximum set coverage task for adiabatic quantum computers (AQC), R-QuMF outperforms existing quantum techniques, demonstrating superior performance across various synthetic and real-world 3D datasets. Our findings underscore the potential of quantum computing in addressing the complexities of MMF, especially in real-world scenarios with noisy and outlier-prone data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google