图像生成

VS-Graph: Scalable and Efficient Graph Classification Using Hyperdimensional Computing

VS-Graph: 基于超维度计算的可扩展高效图分类

Hamed Poursiami, Shay Snyder, Guojing Cong, Thomas Potok, Maryam Parsa

机构 * Department of Electrical and Computer Engineering, George Mason University, Fairfax, VA, USA（电气与计算机工程系，乔治·马歇尔大学，弗吉尼亚州 Fairfax） ； Oak Ridge National Laboratory, Oak Ridge, TN, USA（橡树岭国家实验室，橡树岭，田纳西州） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 VS-Graph通过超维度计算实现高效图分类，在保持性能的同时显著提升训练速度。

Scaling Quantum Machine Learning without Tricks: Full-Resolution and Diverse Image Generation

无技巧扩展量子机器学习：全分辨率与多样图像生成

Jonas Jäger, Florian J. Kiwit, Carlos A. Riofrío

机构 * BMW Group, Munich, Germany（宝马集团，慕尼黑，德国） ； Department of Computer Science and Institute of Applied Mathematics, University of British Columbia (UBC), Vancouver, Canada（计算机科学系和应用数学研究所，不列颠哥伦比亚大学（UBC），温哥华，加拿大） ； Stewart Blusson Quantum Matter Institute (QMI), Vancouver, Canada（斯图尔特·布卢森量子物质研究所（QMI），温哥华，加拿大） ； Ludwig Maximilian University, Munich, Germany（路德维希-马克西米利安大学，慕尼黑，德国） 纠错

专题命中 其他图像生成 ：image generation(title,abstract)；分类 cs.CV

AI总结 研究如何在量子机器学习中无技巧地扩展，通过在经典MNIST和Fashion - MNIST数据集上训练量子瓦瑟斯坦GAN，实现全分辨率图像生成，还能扩展到彩色图像，分析了变分电路架构等因素对性能的影响，在多种条件下取得有前景成果。

Comments 29 pages, 17 figures, 3 tables. Main text: 17 pages, 10 figures. Appendix: 11 pages, 7 figures, 3 tables

Journal ref Quantum Sci. Technol. 11(3), 035042, (2026)

FMMC: Harnessing the Power of Foundation Models for Accurate Material Classification

利用基础模型提升材料分类的准确性

Qingran Lin, Fengwei Yang, Chaolun Zhu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） ； Waseda University（早稻田大学） 纠错

专题命中 其他图像生成 ：image generation(abstract)；分类 cs.CV

AI总结 本文提出一种利用基础模型克服数据限制并提升分类准确性的新框架，通过生成高质量数据集和融合视觉语言模型先验知识，有效提高材料分类性能。

Predicting integers from continuous parameters

从连续参数预测整数

Bas Maat, Peter Bloem

机构 * Learning & Reasoning Group Vrije Universiteit Amsterdam（阿姆斯特丹自由大学学习与推理组） 纠错

专题命中 其他图像生成 ：image generation(abstract)

AI总结 本文研究了从连续参数预测整数标签的问题，探讨了离散分布在整数预测中的应用，并测试了多种分布模型在不同任务中的性能。