Mutual information maximizing quantum generative adversarial networks
Seoul National University（首尔大学）；KAIST（韩国科学技术院）；Norma Inc.（Norma公司）；Korea Institute for Advanced Study（韩国高等研究院）
针对量子生成对抗网络存在的模式崩塌、特征不可控问题，提出融合InfoGAN原理的量子-经典混合模型InfoQGAN，通过MINE优化互信息，缓解模式崩塌并实现特征解耦，提升训练稳定性与数据增强效果。
2025-10-01 cs.LG q-fin.PM quant-ph
Quantum Generative Adversarial Networks in a Continuous-Variable Architecture to Simulate High Energy Physics Detectors
University of Oviedo（奥维耶多大学）
深度神经网络（DNN）在高能物理（HEP）中备受关注，以处理下一代加速器中遇到的越来越多的数据。最近，HEP社区建议使用生成对抗网络（GANs）来取代传统的基于蒙特卡罗方法的耗时Geant 4模拟。在深度学习取得进展的同时，在过去十年中，人们对量子计算进行了有趣的研究，包括IBM提出的量子GAN模型。然而，该模型在学习离散变量的概率分布方面受到限制，而我们最初的目标是在HEP中再现连续变量的分布。介绍并分析了一种新的用于连续变量量子计算的量子GAN（qGAN）原型，它将量子信息编码在一个连续的物理可观测量中。两个CV qGAN模型与量子和经典的量子阱已被测试，以再现量热计输出在一个减小的尺寸，并讨论了它们的优点和局限性。
2021-01-26 cs.LG quant-ph
Hybrid Quantum Generative Adversarial Networks for Molecular Simulation and Drug Discovery
QuantumAI Lab, Fractal Analytics（量子AI实验室，Fractal分析公司）；Department of Physics and Astronomy, University College London（物理与天文学系，伦敦大学学院）
本文提出三种新型量子生成对抗网络架构，用于提升药物分子性质分析的效率与准确性。
2026-03-21 cs.LG q-bio.BM quant-ph
Prediction of Stocks Index Price using Quantum GANs
Qkrishi Quantum Pvt. Ltd.（Qkrishi量子私有有限公司）；Electrical and Computer Engineering, NC State University（电气与计算机工程系，北卡罗来纳州立大学）；Physics Department, University of Massachusetts（物理系，马萨诸塞大学）
本文提出利用量子GANs预测股票价格，通过量子计算提升预测精度和收敛速度，优于传统LSTM和GAN模型。
2025-09-14 cs.LG quant-ph
Hybrid Quantum-Classical Generative Adversarial Network for High Resolution Image Generation
The University of Melbourne（墨尔本大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61研究所）
提出混合量子-经典GAN框架，在MNIST等数据集上生成28×28灰度图像，参数比经典框架少三个数量级且性能相当，为QGANs复杂图像生成奠定基础。
2023-01-20 cs.CV cs.LG quant-ph
Faking and Discriminating the Navigation Data of a Micro Aerial Vehicle Using Quantum Generative Adversarial Networks
Carleton University（卡尔顿大学）；Institut Polytechnique de Paris（巴黎理工学院）；Télécom SudParis（南巴黎电信学院）
我们表明，量子生成对抗网络（QGAN）的范例可以被对手用来学习生成欺骗网络物理系统（CPS）监控的数据，并进行隐蔽攻击。作为一个测试案例，考虑到微型飞行器（MAV）的导航数据的想法阐述。提出了一种具体的QGAN设计方案，用于生成伪MAV导航数据。最初，对手完全不知道CPS的动态，从坏人的角度来看方法的强度。提出了一种区分MAV导航数据真伪的设计方案。该设计结合了经典优化、量子比特量子计算和光子量子计算。使用PennyLane软件模拟，他们在一个经典的计算平台进行评估。我们评估了导航数据生成器的学习时间和准确性以及导航数据与空间复杂度的关系，即，解决这个问题所需的量子存储器数量。
2019-11-10 cs.CR cs.LG
Exponential capacity scaling of classical GANs compared to hybrid latent style-based quantum GANs
Center for Quantum Computing（量子计算中心）；Quantum Coherence (QC2), University of Basel（量子相干性（QC2），巴塞尔大学）
本文研究了混合潜在风格量子GAN在图像生成中的指数容量优势，发现经典GAN与量子GAN在参数规模上呈指数级增长关系。
2026-01-08 cs.AI cs.LG quant-ph
Guardians of the Quantum GAN
Penn State University（宾夕法尼亚州立大学）
针对第三方量子硬件服务可能窃取qGAN模型信息的风险，提出利用训练时量子硬件噪声特征作为非侵入式水印的技术，结合多硬件序列训练与ML分类器实现高准确率水印提取，可验证模型所有权且适用于其他量子ML模型。
2024-05-15 cs.AR cs.CR cs.LG
LatentQGAN: A Hybrid QGAN with Classical Convolutional Autoencoder
Université de Sherbrooke（谢布鲁克大学）；Polytechnique Montréal（蒙特利尔理工学院）；Thales Digital Solutions（泰雷兹数字解决方案公司）；Institut Quantique, Université de Sherbrooke（谢布鲁克大学量子研究所）
本文提出LatentQGAN，通过将经典卷积自编码器与混合量子-经典GAN结合，解决了现有量子生成模型的可扩展性和训练收敛问题，并在模拟器与真实量子硬件上验证了性能提升和量子资源开销的显著降低。
2024-11-19 cs.AI cs.LG quant-ph
A hybrid quantum-classical conditional generative adversarial network algorithm for human-centered paradigm in cloud
Nanjing University of Information Science & Technology（南京信息工程大学）；School of Computer and Software（计算机与软件学院）；School of Automation（自动化学院）；School of Information Engineering, Jiangsu Maritime Institute（江苏海事职业技术学院信息工程学院）
针对QGAN生成随机且不符合以人为中心范式的问题，提出云端混合量子-经典QCGAN，通过条件信息、参数化量子电路和经典判别器实现稳定收敛与人机交互分类生成。
2023-09-30 cs.ET cs.LG quant-ph
Dual-Parameterized Quantum Circuit GAN Model in High Energy Physics
CERN（欧洲核子研究中心）；EPFL（洛桑联邦理工学院）；Cambridge Quantum Computing Ltd（剑桥量子计算公司）；University of Cambridge（剑桥大学）；University of Oviedo（奥维耶多大学）；University of Strathclyde（斯特拉斯克莱德大学）；University College London（伦敦大学学院）
生成模型，特别是生成对抗网络（GAN），正在研究作为蒙特卡罗模拟的可能替代方案。已经提出，在某些情况下，可以通过使用量子GANs（qGANs）来加速使用GANs的仿真。本文提出了一种新的量子GAN设计方案--双参数量子线路（PQC）GAN，它由一个经典量子电路和两个PQC形式的量子发生器组成。第一个PQC学习N像素图像的概率分布，而第二个PQC为每个PQC输入生成单个图像的归一化像素强度。鉴于HEP应用，我们评估了双PQC架构的任务，模仿热量计输出，转换成像素化的图像。结果表明，该模型可以再现固定数量的图像，具有减小的尺寸以及它们的概率分布，我们预计它应该允许我们扩展到真正的热量计输出。
2021-03-29 cs.LG quant-ph
Noise robustness and experimental demonstration of a quantum generative adversarial network for continuous distributions
University of Toronto（多伦多大学）；Zapata Computing Inc.（Zapata Computing 公司）；Vector Institute（向量研究所）；Canadian Institute for Advanced Research (CIFAR)（加拿大高等研究院）
量子计算机中机器学习的潜在优势是文献中激烈讨论的话题。理论，数值和实验探索将很可能需要了解它的力量。已经提出了不同的算法来利用变分量子线路的概率性质进行生成建模。在本文中，我们采用了量子生成对抗网络（QGAN）的混合架构，并研究了它们在噪声存在下的鲁棒性。我们设计了一种简单的方法，将不同类型的噪声添加到量子发生器电路中，并对有噪声的混合量子生成对抗网络（HQGANs）进行了数值模拟，以学习连续的概率分布，并表明HQGANs的性能不受影响。我们还研究了不同参数对训练时间的影响，以减少算法的计算规模并简化其在量子计算机上的部署。然后，我们在Rigetti的Aspen-4 - 2Q-A量子处理单元上进行训练，并展示训练结果。我们的研究结果为在有噪声的中间尺度量子设备上进行不同量子机器学习算法的实验探索铺平了道路。
2021-03-29 cs.LG quant-ph
Quantum Generative Adversarial Autoencoders: Learning latent representations for quantum data generation
Quantum Lab, Fujitsu Research of India（Fujitsu印度研究所量子实验室）
本文提出量子生成对抗自编码器QGAA，结合量子自编码器压缩与量子生成对抗网络学习潜在空间，实现量子态生成，并在纠缠态和分子基态生成中验证了其有效性。
2025-09-19 cs.LG quant-ph stat.ML
A Distributed Training Algorithm of Generative Adversarial Networks with Quantized Gradients
Shenzhen University（深圳大学）；Tencent AI Lab（腾讯人工智能实验室）
以分布式方式训练生成对抗网络（GAN）是一种很有前途的技术，因为它有助于在现实世界的应用中有效地在大量数据上训练GAN。然而，已知GAN难以通过SGD型方法进行训练（可能无法收敛），并且分布式SGD型方法也可能遭受大量的通信成本。在本文中，我们提出了一个{具有量化梯度的分布式GANs训练算法，称为DQGAN}，这是第一个具有量化梯度的GANs分布式训练方法。新方法基于一种称为乐观镜像下降（OMD）算法的特定单机算法来训练GANs，并且适用于满足一般$δ$近似压缩器的任何梯度压缩方法。我们设计的误差反馈操作用来补偿压缩带来的偏差，并保证新方法的收敛性。从理论上证明了{DQGAN}算法非渐近收敛于一阶平稳点，表明在参数服务器模型下，该算法能获得线性加速比.实验结果表明，我们的{DQGAN}算法可以降低通信成本，节省训练时间，并且在合成和真实数据集上的性能略有下降。
2020-10-26 cs.DC cs.LG
VAE-QWGAN: Addressing Mode Collapse in Quantum GANs via Autoencoding Priors
University of Birmingham（伯明翰大学）；University College London（伦敦大学学院）
本文提出VAE-QWGAN，一种结合经典VAE与量子Wasserstein GAN的混合量子-经典生成模型，通过数据依赖的潜在向量采样和GMM先验，有效缓解量子GAN的模式崩溃，提升图像生成的多样性与质量。
2025-05-22 cs.CV cs.LG quant-ph
Conditional Generative Models for Learning Stochastic Processes
Deloitte Consulting, LLP（德勤咨询有限责任合伙公司）；IBM Quantum, IBM Research（IBM研究院IBM量子部门）
本文提出条件量子生成对抗网络（C-qGAN）框架，通过量子电路内的神经网络结构实现更高效的状态准备，并成功应用于加速蒙特卡洛分析及亚式期权衍生品定价。
2023-08-10 cond-mat.mtrl-sci cs.LG q-fin.CP
VQCPC-GAN: Variable-Length Adversarial Audio Synthesis Using Vector-Quantized Contrastive Predictive Coding
Sony Computer Science Laboratory（索尼计算机科学实验室）；LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI，巴黎电信学院，巴黎综合理工学院）
受计算机视觉领域的影响，生成对抗网络（GANs）通常用于音频域，使用固定大小的二维频谱图表示作为“图像数据”。然而，在（音乐）音频域中，通常期望生成可变持续时间的输出。本文提出了VQCPC-GAN，一个对抗性的框架，通过利用矢量量化对比预测编码（VQCPC）合成可变长度的音频。从真实音频数据中提取的VQCPC令牌序列用作GAN架构的条件输入，提供所生成内容的逐步时间相关特征。输入噪声z（对抗架构中的特征）随时间保持固定，确保全局特征的时间一致性。我们通过比较不同的指标集对各种强基线来评估所提出的模型。结果表明，即使基线得分最好，VQCPC-GAN即使在生成可变长度音频时也能实现相当的性能。在附带的网站中提供了许多合理的示例，我们发布了可重复性的代码。
2021-07-30 cs.AI cs.LG cs.SD
Latent Style-based Quantum Wasserstein GAN for Drug Design
本文提出一种基于量子的GAN架构，通过噪声编码和梯度惩罚提升药物设计中的生成能力，利用变分自动编码器在潜在空间中表示分子结构，并在量子模拟器和真实量子硬件上验证性能。
2026-10-30 cs.AI cs.LG q-bio.BM
Quantum Generative Models for Computational Fluid Dynamics: A First Exploration of Latent Space Learning in Lattice Boltzmann Simulations
Al Akhawayn University（阿尔阿赫韦因大学）
本文首次将量子生成模型应用于CFD数据的潜在空间学习，通过对比量子与经典方法，展示了在格子玻尔兹曼模拟中提升生成样本质量的潜力。
2025-12-27 cs.LG
Robustness-aware 2-bit quantization with real-time performance for neural network
Beihang University（北京航空航天大学）
比特精度降低的量化神经网络（NN）是降低计算和存储资源需求的有效解决方案，在机器学习中起着至关重要的作用。然而，它仍然是具有挑战性的，以避免显着的精度下降，由于其数值近似和较低的冗余。本文在二进制神经网络和生成对抗网络（GAN）的基础上，提出了一种新的鲁棒性感知的2比特量化方案，通过丰富二进制神经网络的信息，有效地提取结构信息，并考虑量化后的神经网络的鲁棒性，提高了神经网络的性能。具体地说，在量化过程中用移位加法运算代替乘累加运算，可以有效地提高神经网络的速度。同时，提出了一种量化后的神经网络与原始神经网络之间的结构损失，以保持量化后数据的结构信息。从NN学习的结构信息不仅在提高性能方面起着重要作用，而且还允许通过将Lipschitz约束应用于结构损耗来进一步微调量化网络。此外，我们还首次考虑到量化神经网络的鲁棒性，通过引入谱范数的无关项，提出了一种非敏感扰动损失函数。实验在CIFAR-10和ImageNet数据集上进行，使用流行的NN（如MoblieNetV 2，SqueezeNet，ResNet 20等）。实验结果表明，该算法在2比特精度下比现有的量化方法具有更好的竞争力。同时，实验结果也表明，该方法在FGSM对抗样本攻击下具有较好的鲁棒性。
2020-10-19 cs.LG
Generative Modeling of Bach-Style Symbolic Music: A Comparative Study of Autoregressive, Latent-Variable, and Adversarial Approaches
Stanford University（斯坦福大学）
比较自回归LSTM、潜变量模型和生成对抗网络在巴赫风格钢琴音乐生成中的表现，发现带注意力的自回归LSTM生成音乐最连贯，向量量化缓解后验塌陷，对抗方法捕捉局部音高但训练困难。
2026-06-15 cs.LG cs.SD
Incorporating Reinforced Adversarial Learning in Autoregressive Image Generation
Institute for Infocomm Research, A*STAR（新加坡科技研究局信息通信研究院）；Adobe Research（Adobe研究院）
自回归模型最近在矢量量化变分自编码器（VQ-VAE）的帮助下取得了与最先进的生成对抗网络（GANs）相当的结果。然而，自回归模型有几个局限性，如曝光偏差，其训练目标不能保证视觉保真度。为了解决这些限制，我们建议使用基于策略梯度优化的自回归模型的强化对抗学习（RAL）。通过应用RAL，我们可以实现类似的培训和测试过程，以解决暴露偏倚问题。此外，视觉保真度得到了进一步优化，对抗性损失受到其强大对手的启发：GANs。由于自回归模型的采样速度慢，我们建议使用部分生成来加快训练速度。RAL还支持VQ-VAE框架不同模块之间的协作。据我们所知，所提出的方法是第一个在自回归模型中实现对抗学习以生成图像的方法。在合成数据集和真实世界数据集上的实验表明，MLE训练的模型有所改进。所提出的方法改进了负对数似然（NLL）和Fréchet起始距离（FID），这表明在视觉质量和多样性方面的改进。所提出的方法实现了国家的最先进的结果Celeba为64 $\times$ 64图像分辨率，显示大规模图像生成的承诺。
2020-07-20 cs.CV cs.LG eess.IV
Implementation of Quantum Implicit Neural Representation in Deterministic and Probabilistic Autoencoders for Image Reconstruction/Generation Tasks
本文提出基于量子隐式神经表示（QINR）的自编码器和变分自编码器，用于图像重建和生成任务，通过在潜在空间中转换信息生成丰富特征，并展示QINR-VAE在图像生成中比量子生成对抗网络更稳定。
2026-09-22 cs.LG quant-ph
Vector Quantized Time Series Generation with a Bidirectional Prior Model
Telenor Research（挪威电信研究院）；BI Norwegian Business School（BI挪威商学院）；Abelee
针对时间序列生成中GAN训练困难及RNN难以捕捉长程时间一致性的问题，提出TimeVQVAE，首次利用向量量化技术并在时频域分离高低频，结合双向Transformer学习离散先验，生成质量更优的时序信号。
2023-04-02 cs.AI cs.LG stat.ML
AQ-GT: a Temporally Aligned and Quantized GRU-Transformer for Co-Speech Gesture Synthesis
Bielefeld University（比勒费尔德大学）
本文提出AQ-GT框架，通过GAN和量化流水线预训练手势序列，学习潜在空间映射以生成逼真共语手势，显著超越现有方法，部分与人类手势无异。
2023-05-08 cs.GR cs.HC cs.LG
End-to-End Binaural Speech Synthesis
Nagoya University（名古屋大学）；Meta Reality Labs Research（Meta现实实验室）
在这项工作中，我们提出了一个端到端的双耳语音合成系统，它结合了一个低比特率的音频编解码器与一个强大的双耳解码器，能够准确的语音双耳，同时忠实地重建环境因素，如环境噪声或混响。该网络是一种改进的矢量量化变分自编码器，采用几个精心设计的目标进行训练，包括对抗性损失。我们评估所提出的系统在内部双耳数据集与客观指标和感知研究。结果表明，所提出的方法比以前的方法更紧密地匹配地面真实数据。特别是，我们证明了对抗性损失的能力，在捕捉环境的影响，需要创建一个真实的听觉场景。
2022-07-08 cs.AI cs.LG cs.SD
Generating Diverse High-Fidelity Images with VQ-VAE-2
DeepMind（深度思维）
我们探讨使用矢量量化变分自编码器（VQ-VAE）模型的大规模图像生成。为此，我们缩放和增强VQ-VAE中使用的自回归先验，以生成比以前更高的相干性和保真度的合成样本。我们使用简单的前馈编码器和解码器网络，使我们的模型的应用程序的编码和/或解码速度是至关重要的有吸引力的候选人。此外，VQ-VAE要求仅在压缩的潜在空间中对自回归模型进行采样，这比像素空间中的采样快一个数量级，特别是对于大图像。我们证明了VQ-VAE的多尺度层次组织，在潜在代码上增强了强大的先验知识，能够生成质量与ImageNet等多方面数据集上最先进的生成对抗网络相媲美的样本，同时不会遭受GAN的已知缺点，如模式坍塌和缺乏多样性。
2019-06-02 cs.CV cs.LG stat.ML
Two-step Machine Learning Approach for Channel Estimation with Mixed Resolution RF Chains
Nokia Bell Labs（诺基亚贝尔实验室）；Ilmenau University of Technology（伊尔梅瑙工业大学）
大规模多输入多输出是5G移动无线电系统的主要特征之一。然而，它通常导致高成本、尺寸和功耗。为了克服这些问题，已经提出了使用约束射频（RF）前端以及新颖的预编码器，例如，多天线、贪婪、迭代和量化预编码算法（MAGIQ）。然而，MAGIQ的最佳性能假设每个天线元件例如来自上行链路探测参考信号的准确信道知识。在这种情况下，我们提出了一个有效的上行链路信道估计器，通过应用机器学习（ML）算法。在第一步骤中，条件生成对抗网络（cGAN）预测从全分辨率RF链的有限集合到低分辨率RF链天线元件的其余部分的无线电信道。长短期记忆（LSTM）神经网络从低分辨率RF链天线元件提取进一步的相位信息。我们的研究结果表明，我们提出的方法是有竞争力的，与传统的酉张量ESPRIT的各种紧密间隔的多径组件（MPC）的情况下。
2021-01-24 cs.LG eess.SP
PCA-VAE: Differentiable Subspace Quantization without Codebook Collapse
Wake Forest University School of Medicine（威克森林大学医学院）
PCA-VAE通过在线PCA瓶颈替代VQ，实现无需码本的可微子空间量化，提升重建质量并减少潜在位数，同时产生可解释的维度特征。
2026-02-21 cs.CV cs.LG
Hardware-Efficient Deconvolution-Based GAN for Edge Computing
University of Central Florida（中佛罗里达大学）
生成对抗网络（GAN）是基于学习数据分布生成新数据样本的前沿算法。然而，它的性能在计算和内存需求方面付出了巨大的代价。在本文中，我们提出了一种硬件/软件协同设计方法，用于训练量化反卷积GAN（QDCGAN）在FPGA上实现，使用可扩展的流式处理器架构，能够实现更高的吞吐量与资源利用率的权衡。开发的加速器基于一个高效的反卷积引擎，该引擎为基于GAN的边缘计算的缩放因子提供了高度并行性。此外，各种精度，数据集和网络的可扩展性进行了分析，在资源受限的平台上的低功耗推理。最后，提供了一个端到端的开源框架，用于培训，实施，状态空间探索，并使用Vivado高级综合Xilinx SoC FPGA和Jetson Nano的比较测试平台扩展推理。
2022-01-18 cs.LG eess.IV
L1-Norm Batch Normalization for Efficient Training of Deep Neural Networks
Tsinghua University（清华大学）；University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
批量归一化（BN）已被证明在加速和改进深度神经网络（DNN）的训练方面非常有效。然而，BN带来额外的计算，消耗更多的内存，并且通常会大幅减慢训练过程，这会减少训练工作量。此外，BN中的非线性平方和根运算也阻碍了低位宽量化技术，这引起了深度学习硬件社区的广泛关注。在这项工作中，我们提出了一个L1范数BN（L1 BN），在训练过程中的前向和后向传播都只有线性操作。L1 BN被证明是近似等于原来的L2-范数BN（L2 BN）乘以一个缩放因子。在各种卷积神经网络（CNN）和生成对抗网络（GANs）上的实验表明，与L2 BN相比，L1 BN保持了几乎相同的精度和收敛速度，但具有更高的计算效率。在FPGA平台上，L1 BN中的正负号运算和绝对运算与原来的平方运算和开方运算相比，分别获得了1.5 $\times$的加速比和50%的功耗节省.这种硬件友好的归一化方法不仅在速度上超过了L2 BN，而且简化了ASIC加速器的硬件设计，具有更高的能量效率。最后但并非最不重要的是，L1 BN承诺完全量化的DNN训练，这对未来的自适应终端设备至关重要。
2018-02-27 cs.LG
Self-Supervised Speech Quality Estimation and Enhancement Using Only Clean Speech
NVIDIA（英伟达）；Research Center for Information Technology Innovation, Academia Sinica（中央研究院资讯科技创新研究中心）
本文提出VQScore自监督语音质量评估指标及基于向量量化与自蒸馏对抗训练的语音增强模型，仅用干净语音训练即可达到与监督基线相当的性能。
2024-02-26 cs.AI cs.LG cs.SD
Data-Free Network Quantization With Adversarial Knowledge Distillation
Samsung Semiconductor Inc.（三星半导体公司）；DGIST（大邱庆北科学技术院）
网络量化是深度学习中在移动或边缘平台上开发高效定点推理模型的重要过程。然而，随着数据集变得越来越大，隐私法规变得越来越严格，用于模型压缩的数据共享变得越来越困难和受限。在本文中，我们考虑无数据网络量化与合成数据。合成数据由生成器生成，而在训练生成器和量化中不使用数据。为此，我们提出了无数据的对抗性知识蒸馏，它最大限度地减少了教师和（量化）学生的输出之间的最大距离的任何对抗性样本从发电机。为了生成与原始数据相似的对抗样本，我们还提出了来自教师中生成数据和原始数据的批量归一化层的匹配统计。此外，我们还展示了使用多个生成器和多个学生生成不同对抗样本的好处。我们的实验展示了SVHN、CIFAR-10、CIFAR-100和Tiny-ImageNet数据集上（宽）残差网络和MobileNet的最新无数据模型压缩和量化结果。与使用原始数据集相比，精度损失非常小。
2020-05-08 cs.CV cs.LG cs.NE
