Image Compression Using Quantum Wavelet Transform and Quantum Convolutional Networks

In de moderne wereld is data de valuta van vooruitgang, maar het is ook een zware last. Elke foto die door een satelliet wordt gemaakt, elke scan in een ziekenhuis en elk frame dat door een robot wordt vastgelegd, creëert een enorm bestand dat moet worden opgeslagen en over netwerken moet worden verzonden. Om dit te beheren, vertrouwen wetenschappers al lang op compressie, een proces dat deze bestanden verkleint door informatie te verwijderen die het menselijk oog waarschijnlijk niet zal missen. Decennialang waren de standaardinstrumenten voor deze taak klassieke wiskundige methoden, die een afbeelding behandelen als een raster van getallen en rigide formules toepassen om de omvang te verminderen. Echter, naarmate afbeeldingen groter en complexer worden, bereiken deze traditionele methoden hun grenzen; ze worstelen om bestanden klein te houden zonder belangrijke details te vervagen. Er is een nieuwe grens ontstaan in de vorm van quantum computing, een veld dat gebruikmaakt van de vreemde wetten van de fysica die de subatomaire wereld beheersen om informatie te verwerken op manieren die klassieke machines niet kunnen. Door gebruik te maken van principes zoals superpositie, waarbij een systeem zich tegelijkertijd in meerdere toestanden kan bevinden, en verstrengeling, waarbij deeltjes over afstanden verbonden blijven, onderzoeken onderzoekers of deze quantumeffecten de enorme taak van beeldcompressie efficiënter kunnen aanpakken dan ooit tevoren.

Een team van onderzoekers heeft nu een hybride systeem voorgesteld dat de kloof tussen deze twee werelden overbrugt, door de rauwe kracht van de quantummechanica te combinerig met de verfijnde intelligentie van klassieke deep learning. Hun werk, dat gedetailleerd wordt beschreven in een recente studie, schetst een methode voor het verkleinen van grijswaardenafbeeldingen die gebruikmaakt van de unieke sterktes van beide technologieën. Het proces begint met het nemen van een standaard digitale afbeelding en het coderen ervan in een quantumtoestand, een compacte representatie die de hele afbeelding in een klein aantal quantum bits past. Dit is niet louter een vertaling van data, maar een fundamentele herstructurering waardoor de afbeelding gemanipuleerd kan worden als één enkel, verenigd quantumobject. Eenmaal gecodeerd, ondergaat de afbeelding een gespecialiseerde transformatie genaamd een quantum wavelet transformatie. Denk hierbij aan een geavanceerd filter dat de afbeelding scheidt in verschillende lagen van detail, waarbij de gladde, brede vormen isoleren van de scherpe, ingewikkelde texturen. Deze stap is cruciaal omdat het de afbeelding voorbereidt op de volgende fase, waar de werkelijke reductie in omvang plaatsvindt.

De kern van de compressie vindt plaats binnen een quantum convolutioneel netwerk, een type kunstmatige intelligentie dat is ontworpen om op quantumhardware te draaien. Dit netwerk fungeert als een flessenhals die de complexe quantumtoestand samenperst tot een veel kleinere, latente vorm. In tegen tegenstelling tot klassieke computers die simpelweg data kunnen weggooien om ruimte te besparen, gebruikt dit quantumsysteem verstrengeling om de essentiële relaties tussen verschillende delen van de afbeelding te behouden terwijl de rest wordt weggegooid. De onderzoekers hebben dit quantumnetwerk getraind om precies te leren welke kenmerken essentieel zijn om te behouden en welke veilig kunnen worden verwijderd, waardoor het proces wordt geoptimaliseerd zodat de belangrijkste structurele informatie intact blijft. Het resultaat is een sterk gecomprimeerde versie van de afbeelding die bestaat uit een reeks quantummetingen. Om deze data bruikbaar te maken voor opslag of transmissie, worden deze quantummetingen teruggezet naar standaard digitale getallen, klaar om te worden verzonden of opgeslagen.

Wanneer het tijd is om de afbeelding weer te bekijken, keert het proces om. De gecomprimeerde data wordt teruggevoerd in het systeem, waar een inverse quantumnetwerk de kleine latente toestand weer uitbreidt naar een grotere vorm. Een tweede quantumtransformatie assembleert vervolgens de gescheiden lagen van detail opnieuw, waardoor een ruwe versie van de oorspronkelijke afbeelding wordt gereconstrueerd. Omdat de compressie echter 'lossy' was — wat betekent dat er tijdens het verkleiningsproces opzettelijk informatie is weggegoerd — is de gereconstrueerde afbeelding vaak wazig en ontbreken de fijne texturen die een foto er echt uit laten zien. Om dit op te lossen, voegden de onderzoekers een laatste, klassieke stap toe met behulp van een krachtig generatief netwerk. Dit netwerk fungeert als een digitale kunstenaar die de wazige reconstructie analyseert en intelligent de ontbrekende hoogfrequente details invult, zoals de textuur van bladeren of de scherpte van de rand van een gebouw. Het raadt niet willekeurig, maar gebruikt patronen die het heeft geleerd om de afbeelding te herstellen tot een niveau van helderheid dat concurreert met, en in sommige gevallen zelfs superieur is aan, de beste klassieke compressiestandaarden van vandaag.

De onderzoekers testten hun systeem op een grote collectie landschapsafbeeldingen en vergeleken hun hybride aanpak met de huidige gouden standaard, een methode bekend als JPEG2000. De resultaten waren opmerkelijk. Terwijl de klassieke methode een gereconstrueerde afbeelding produceerde met een kwaliteitsscore van ongeveer 27,15, bereikte hun quantum-verbeterde systeem, na de laatste generatieve verfijning, een score van meer dan 30,06. Dit verschil, hoewel het in cijfers klein mag lijken, vertegenwoordigt een significante sprong in visuele getrouwheid, wat betekent dat de afbeeldingen veel scherper en trouwer aan het origineel waren. Het systeem was ook in staat om de juiste distributie van licht en donkere gebieden te behouden, waardoor werd gewaarborgd dat de gereconstrueerde foto's niet flets of vervormd leken. Om te garanderen dat deze bevindingen niet slechts theoretisch waren, draaide het team ook het quantumgedeelte van hun systeem op een echte, fysieke quantumcomputer die beschikbaar is via de cloud. Hoewel de echte hardware enkele kleine fouten introduceerde door de ruisige aard van de huidige quantumapparaten, slaagde het systeem er nog steeds in om de hoofdstructuren van de afbeeldingen te behouden, wat bewijst dat het concept buiten een perfecte simulatie werkt.

De studie onderzocht ook wat er zou gebeuren als zij de quantumcomponenten zouden verwijderen om te zien hoeveel elk deel bijdroeg aan het succes. Wanneer zij het quantumcompressienetwerk vervingen door een standaard klassiek netwerk, daalde de kwaliteit van de gereconstrueerde afbeeldingen aanzienlijk, wat aantoonde dat de quantummethode beter was in het behouden van de subtiele, niet-lokale verbindingen binnen de afbeelding. Omgekeerd, wanneer zij de quantum wavelet-filter vervingen door een klassieke variant, had het systeem moeite om zich aan te passen, wat resulteerde in wazige en vervormde outputs. Dit bevestigde dat de ware kracht van hun aanpak ligt in de naadloze integratie van beide technologieën: het quantumsysteem doet het zware werk van het comprimeren van de data terwijl de kernstructuur intact blijft, en het klassieke systeem stapt in om het eindresultaat te polijsten. De onderzoekers ontdekten dat dit partnerschap hen in staat stelt om een compressieratio van 4 op 1 te bereiken, wat betekent dat de bestandsgrootte wordt teruggebracht tot een kwart van het origineel, zonder de visuele kwaliteit op te offeren die het belangrijkst is voor menselijke waarnemers.

Uiteindelijk laat dit werk zien dat de toekomst van beeldverwerking niet een keuze is tussen quantum- en klassieke computing, maar een samenwerking tussen beide. Door gebruik te maken van de quantummechanica om de omvang van enorme databestanden efficiënt te verkleinen en klassieke intelligentie om hun schoonheid te herstellen, hebben de onderzoekers een pijplijn gecreëerd die zowel efficiënt als effectief is. Hun bevindingen suggerieën dat naarmate de quantumhardware blijft verbeteren, deze hybride aanpak een vitale tool kan worden voor het beheren van de steeds groeiende vloedgolf aan visuele data in velden variërend van medische diagnostiek tot remote sensing. De studie beweert niet dat elk probleem in beeldcompressie is opgelost, noch suggereert het dat quantumcomputers er klaar voor zijn om klassieke computers volledig te vervangen. In plaats daarvan biedt het een duidelijk, gemeten pad vooruit, waarbij wordt aangetoond dat we door het beste van beide werelden te combineren, systemen kunnen creëren die slimmer, sneller en beter in staat zijn om de visuele complexiteit van de moderne wereld aan te kunnen.