A quantum color space for finite-shot RGB reconstruction in quantum image processing

Resumo Técnico: Um Espaço de Cor Quântico para Reconstrução RGB de Disparos Finitos

Definição do Problema
O processamento de imagens quânticas (QIP) requer representações de cores que sejam simultaneamente compactas dentro de registradores quânticos e recuperáveis a partir de estatísticas de medição de disparos finitos. Embora as representações de imagem quântica (QIRs) existentes, como FRQI, MCQI e NEQR, tenham focado na eficiência de armazenamento e indexação, elas frequentemente tratam a cor como um valor a ser armazenado, em vez de abordar a organização geométrica da informação de cor. Existe uma lacuna crítica na compreensão de como as coordenadas RGB clássicas mapeiam para o espaço de estado quântico e como as perturbações de medição de disparos finitos afetam a estabilidade da reconstrução de cores. Os esquemas atuais muitas vezes carecem de um framework claro sobre como as estimativas derivadas de medição são decodificadas de volta para cores clássicas, particularmente quando o espaço de cor codificado é denso e as fronteiras de decisão são estreitas.

Metodologia
Os autores propõem um espaço de cor quântico baseado na esfera de Bloch que estabelece uma correspondência preservadora de estrutura entre valores RGB discretos e parâmetros de estado de um único qubit $(\theta, \phi)$.

1. Mapeamento Geométrico:

   • Tripletos RGB são mapeados para coordenadas esféricas na esfera de Bloch.
   • Ângulo Polar ($\theta$): Organiza as cores com base nos subgrupos de canal máximo–mínimo ($M_x, M_n$). Cores que compartilham o mesmo $M_x$ e $M_n$ são atribuídas a bandas de latitude comuns.
   • Ângulo Azimutal ($\phi$): Codifica trajetórias de permutação de canais dentro de cada banda de latitude.
   • Subespaço de Escala de Cinza: O conjunto diagonal $\{(x,x,x)\}$ forma naturalmente um subespaço unidimensional onde a intensidade é codificada apenas por $\theta$, tornando $\phi$ redundante.

2. Quantização e Grades:

   • O estudo avalia três grades RGB quantizadas: $64^3$, $128^3$ e $256^3$. Estas não são intervalos de intensidade brutos, mas sim grades de escala de exibição (ex: $128^3$ corresponde a $\{0, 2, 4, \dots, 254\}^3$).

3. Estratégia de Decodificação:

   • Em vez de assumir uma inversão analítica exata, o método utiliza uma regra de Região do Ponto (RoP) e Tabela de Consulta (LUT).
   • Contagens de medição de disparos finitos são convertidas em estimativas de ângulo $(\hat{\theta}, \hat{\phi})$.
   • Estas estimativas são decodificadas em valores RGB ao determinar em qual região de decisão pré-computada $I(r,g,b)$ as estimativas de ângulo caem.

4. Protocolos Experimentais:

   • Validação Pixel a Pixel: Cada pixel é processado por um circuito de dois qubits independente. Isso isola a recuperabilidade intrínseca de disparos finitos.
   • Codificação de Imagem Completa com Registro de Posição: Todos os pixels são codificados em um único circuito usando qubits de posição. O orçamento total de disparos é compartilhado entre todas as posições e ramos angulares, simulando um cenário mais compacto, porém de medição esparsa.
   • Datasets: MNIST (para validação do subespaço de escala de cinza) e CIFAR-10 (para reconstrução RGB).
   • Simulação: Simulações Qiskit Aer sem modelos de ruído de hardware explícitos, focando em efeitos estatísticos de disparos finitos.

Principais Resultados

• Reconstrução de Escala de Cinza (MNIST): O subespaço de escala de cinza induzido demonstrou alta estabilidade. A reconstrução alcançou um Erro Quadrático Médio (MSE) médio de 3,90 e uma Relação Sinal-Ruído de Pico (PSNR) de 42,44 dB. A natureza unidimensional da diagonal de escala de cinza ($\phi$ redundante) contribuiu para esta robustez.
• Reconstrução RGB (CIFAR-10):
  • Compromisso de Separávelidade de Quantização: A grade $64^3$ apresentou o melhor desempenho (MSE: 81,29, PSNR: 29,84 dB, SSIM: 0,9313).
  • Grades Mais Densas: A grade $128^3$ mostrou degradação moderada, enquanto a grade completa $256^3$ teve o pior desempenho (MSE: 609,77, PSNR: 20,55 dB, SSIM: 0,7435).
  • Causa: Uma maior resolução de cor nominal cria regiões de decisão angular (RoP) mais estreitas. Erros de estimativa de ângulo de disparos finitos, mesmo que pequenos, têm maior probabilidade de cruzar as fronteiras de decisão em grades densas, levando à decodificação incorreta da cor.
• Análise por Disparos (Shot-Wise):
  • Aumentar o orçamento de disparos melhora a precisão da estimativa de ângulo. No entanto, para um erro angular residual fixo, grades mais grosseiras ($64^3$) permanecem mais robustas devido às regiões de decisão mais largas.
  • Gargalo de Alocação de Medição: No modo de registro de posição de imagem completa, a qualidade da reconstrução degradou significamente em todas as grades (MSE $\approx$ 890, PSNR $\approx$ 18,7 dB). O orçamento de disparos compartilhado resultou em medições por posição esparsas (aproximadamente 128 amostras por pixel/ramo em 218 disparos totais), tornando impossível a recuperação confiável de tanto $\theta$ quanto $\phi$ em comparação ao modo pixel a pixel.

Significância e Alegações
O artigo argumenta que as representações de cores quânticas devem ser projetadas não apenas para armazenamento compacto, mas especificamente para uma recuperação estável e interpretável a partir de medições de disparos finitos.

• Organização Geométrica: A construção proposta na esfera de Bloch vincula explicitamente a geometria do cubo RGB clássico aos parâmetros de estado quântico, tornando a dependência da medição explícita.
• Estabilidade sobre Resolução: Os resultados desafiam a suposição de que uma maior resolução de cor clássica melhora automaticamente a reconstrução quântica. Em vez disso, a qualidade da reconstrução é governada pelo equilíbrio entre a resolução nominal e a separabilidade angular de disparos finitos. Grades mais grosseiras fornecem margens angulares maiores, aumentando a robustez contra o ruído estatístico.
• Compromissos de Codificação: O estudo destaca um compromisso prático entre a codificação compacta ao nível da imagem (registro de posição) e a recuperação confiável por pixel. Embora a codificação compacta economize qubits, ela introduz um gargalo de alocação de medição que limita severamente a fidelidade da reconstrução sob orçamentos de disparos realistas.

Os autores concluem que futuros frameworks de processamento de imagem quântica devem priorizar estratégias de recuperação estáveis à medição, como particionamento adaptativo do espaço de cores e decodificação baseada em verossimilhança, em vez de focar apenas na eficiência de qubits.