3D-QAE: Fully Quantum Auto-Encoding of 3D Point Clouds

要約

3D 表現を学習するための既存の方法は、古典的なハードウェアでトレーニングおよびテストされたディープ ニューラル ネットワークです。
量子機械学習アーキテクチャは、速度と表現能力の点で理論的に予測された利点にもかかわらず、これまでのところ、この問題や 3D データを含むタスク一般については考慮されていません。
したがって、この論文では、3D 点群用の最初の量子自動エンコーダを紹介します。
当社の 3D-QAE アプローチは完全に量子です。つまり、すべてのデータ処理コンポーネントは量子ハードウェア用に設計されています。
3D 点群のコレクションでトレーニングされ、その圧縮表現が生成されます。
適切なアーキテクチャを見つけることに加えて、このような完全量子モデルを設計する際の中心的な課題には、3D データの正規化とパラメータの最適化が含まれており、これらの両方のタスクに対するソリューションを提案します。
シミュレートされたゲートベースの量子ハードウェアでの実験は、私たちの方法が単純な古典的なベースラインを上回るパフォーマンスを示し、3D コンピューター ビジョンにおける新しい研究の方向性への道を切り開きます。
ソース コードは https://4dqv.mpi-inf.mpg.de/QAE3D/ で入手できます。

要約(オリジナル)

Existing methods for learning 3D representations are deep neural networks trained and tested on classical hardware. Quantum machine learning architectures, despite their theoretically predicted advantages in terms of speed and the representational capacity, have so far not been considered for this problem nor for tasks involving 3D data in general. This paper thus introduces the first quantum auto-encoder for 3D point clouds. Our 3D-QAE approach is fully quantum, i.e. all its data processing components are designed for quantum hardware. It is trained on collections of 3D point clouds to produce their compressed representations. Along with finding a suitable architecture, the core challenges in designing such a fully quantum model include 3D data normalisation and parameter optimisation, and we propose solutions for both these tasks. Experiments on simulated gate-based quantum hardware demonstrate that our method outperforms simple classical baselines, paving the way for a new research direction in 3D computer vision. The source code is available at https://4dqv.mpi-inf.mpg.de/QAE3D/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google