Überblick Quantencomputing in der Bildverarbeitung

Wie lassen sich klassische Bilder in Quanteninformationen überführen – und was bringt das für die Bildverarbeitung? Wir am Fraunhofer ITWM erforschen verschiedene Ansätze der Quantenbildverarbeitung, von der effizienten Kodierung über die Klassifikation und Segmentierung bis zur Kantenerkennung.

Unsere Arbeiten zeigen: Der Stand der heutigen Quantenhardware ermöglicht bereits vielversprechende Ansätze für künftige Bildverarbeitungsaufgaben durch hybride Quantenalgorithmen. Diese Seite gibt einen Überblick über die Anwendungen und aktuelle Forschung:

Quantum Image Encoding

Quantum Image Classification mit Quantum Transfer Learning

Quantum Image Classification mit VQLS und SVM

Quantum Image Edge Detection

Quantum Image Segmentation mit Hamiltonian und Q-Seg

Quantum Fourier Transform für Angle Estimation

Klassische Bilder in Quantenzustände zu übertragen bildet die Grundlage der Quantenbildverarbeitung. Dafür stehen verschiedene Verfahren zur Verfügung – etwa Basis-, Amplituden- oder Phasenkodierung. Wir am Fraunhofer ITWM optimieren die sogenannte FRQI-Kodierung (Flexible Representation of Quantum Images), indem wir die Anzahl kontrollierter Operationen gezielt verringern. Das reduziert Fehlerraten deutlich und erhöht die Praxistauglichkeit auf heutiger Noisy Intermediate-Scale Quantum (NISQ) Hardware.

Unsere Forschung zeigt: Trotz technischer Hürden bei der großskaligen Bildkodierung eröffnen effiziente Schaltkreise und Rauschunterdrückung neue Perspektiven für die Quantenbildverarbeitung und zukünftige Anwendungen.

Quantum Transfer Learning (Quanten-Transfer-Lernen) verbindet klassisches Deep Learning mit quantenbasierter Bildklassifikation – und erschließt neue Potenziale für hybride Modelle. In unserer Studie haben wir diesen Ansatz genutzt, um feine Risse in Betonoberflächen zu identifizieren (siehe HairWidthCracks-Datensatz). Dabei extrahiert ein vortrainiertes klassisches Modell die Bildmerkmale, während ein variabler Quantenschaltkreis die Klassifikation übernimmt.

Diese hybride Methode umgeht die aktuellen Qubit- und Fehlertoleranzgrenzen teilweise, stößt aber beim Training an technische Grenzen: Die fehlende Quanten-Backpropagation macht wiederholte Schaltkreisauswertungen nötig. Dennoch zeigen unsere Ergebnisse, dass sich quantengestützte Klassifikation auf heutiger NISQ-Hardware erfolgreich umsetzen lässt – ein vielversprechender Schritt hin zu praxistauglicher Quantenbildverarbeitung.

Variational Quantum Linear Solvers (VQLS) bieten einen vielversprechenden Ansatz für die Quantenbildklassifikation, indem sie lineare Gleichungssysteme mithilfe variabler Quantenschaltkreise lösen. Am Fraunhofer ITWM kombinieren wir VQLS mit klassischen Methoden zu einem hybriden Klassifizierungsframework. Die Quantenparameter optimieren wir dabei in iterativen Rückkopplungsschleifen.

Herausfordernd bleibt die komplexe, nicht-konvexe Verlustlandschaft, die viele Schaltkreisauswertungen zur Modellverbesserung erfordert. Zwar verspricht VQLS theoretisch deutliche Effizienzgewinne, doch aktuelle Quantenprozessoren stoßen durch Rauschen und Instabilität an ihre Grenzen. Unsere Forschung zeigt jedoch, dass gezielte algorithmische Anpassungen VQLS-basierte Klassifikation auch auf NISQ-Hardware möglich machen können.

Quanteninformatik eröffnet neue Wege zur Kantendetektion in Bildern – schneller und ressourcenschonender als klassische Verfahren. Wir am Fraunhofer ITWM haben das künstliche Quantenneuronenmodell von Tacchino (siehe Paper »An Artificial Neuron Implemented on an Actual Quantum Processor«) weiterentwickelt und daraus einen quantenbasierten Kantenerkennungsalgorithmus abgeleitet. Durch Quantenparallelität reduziert dieser Ansatz die Rechenkomplexität gegenüber etablierten Methoden wie der Sobel-Filterung deutlich.

Da aktuelle NISQ-Hardware durch Rauschen und begrenzte Gattertiefe limitiert ist, haben wir mehrere Algorithmusvarianten implementiert, um die Ausführung zu stabilisieren. Unsere Ergebnisse zeigen: Quantenbasierte Kantendetektion kann größere Bilddimensionen bewältigen als bisher – ein entscheidender Schritt hin zur praktischen Nutzung von Quantenbildverarbeitung.

Quantencomputer bieten neue Möglichkeiten, um Bilder präzise und effizient zu segmentieren. Wir am Fraunhofer ITWM haben zwei quantenbasierte Verfahren untersucht: eine Hamilton-Methode und Q-Seg, einen Algorithmus auf Basis von Quantum Annealing. Die Hamilton-Methode bettet Bilddaten in ein Quantensystem ein – Unordnungseffekte heben dabei Kanten und Risse hervor und ermöglichen so die Erkennung komplexer Muster. Q-Seg hingegen behandelt die Segmentierung als kombinatorisches Optimierungsproblem und erzielt durch Quanten-Annealing starke Ergebnisse bei unüberwachten Lernaufgaben.

Im direkten Vergleich mit klassischen Methoden wie Gaussian Mixture Models und Deep-Learning-basierten U-Nets zeigen sich die Potenziale: Trotz aktueller Hardwareeinschränkungen liefern Quantenverfahren vielversprechende Resultate – besonders bei der Analyse feinkörniger Strukturen wie feinen Rissen in Betonbildern.

Die Quantum Fourier Transform (QFT) eröffnet neue Wege in der Bildanalyse – insbesondere bei der Schätzung von Objektausrichtungen. Am Fraunhofer ITWM haben wir QFT-basierte Verfahren getestet und mit der klassischen Fast Fourier Transform (FFT) verglichen. Während QFT theoretisch eine exponentielle Beschleunigung verspricht, erschwert die große Zahl an Verschränkungsgattern die Umsetzung auf realer Quantenhardware – Rauschen und Dekohärenz bleiben zentrale Herausforderungen.

Unsere Experimente auf Quanten-Simulatoren zeigen dennoch: Die quantengestützte Winkelschätzung liefert bereits heute vergleichbare Ergebnisse zur klassischen FFT. Für den praktischen Einsatz braucht es jedoch weitere Fortschritte bei der Hardware und gezielte Optimierungen im Schaltungsdesign.