Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWMBeschreibung
In der Bildverarbeitung wächst die zu bearbeitende Datenmenge durch höhere Auflösungen, höhere Dimensionalität, breitere Verfügbarkeit von Kamerasystemen und neue Abbildungsverfahren schneller als die Geschwindigkeit und Genauigkeit der Analysealgorithmen und Computerhardware. Quantencomputing (QC) verspricht exponentielle Zeit- und Speichereinsparungen gegenüber klassischen Systemen.
Wir erwarten in der Bildverarbeitung demnächst noch keinen echten Quantenvorteil, wollen aber Quantum Readiness erreichen. Die Kombination klassischer Bildverarbeitungsalgorithmen mit Quantum-Machine-Learning (QML) hat das Potenzial, bereits jetzt in der Noisy Intermediate-Scale Quantum (NISQ) Computer Bilder praxisrelevanter Größe zu verarbeiten. Als ersten Schritt werde ich die Verbindung zwischen überwachtem QML, kernelbasierten Methoden und der Fourier-Repräsentationen von Quantenkernels untersuchen.