用于隐式神经表示的谱量子记忆

隐式神经表示（INR）将信号建模为从坐标到数值的连续函数，但其性能在很大程度上取决于如何分配谱容量。然而，大多数 Quantum INR（QINR）架构都将谱成分视为独立量子模块的独立输出。我们提出 Spectral Quantum Memory Model（SQMM），这是一种记忆耦合量子 INR，其中顺序式混合数据重上传层（频带）通过共享的相干量子记忆寄存器进行通信。每个频带读取记忆，在其自身的坐标上传上进行计算，并将部分状态写回记忆，使后续频带能够利用前序频带的计算结果。当记忆读写层与输入无关时，我们证明记忆状态构成一个算子值傅里叶级数，其支撑集包含于初始记忆谱与局部频带谱的闵可夫斯基和中。随后，后续频带根据前序频带存储的谱内容对其傅里叶系数进行条件化，而记忆耦合不会产生新的原始频率。该理论启发了一种谱记忆对齐损失，用于鼓励记忆编码模型已部署前缀所表达的谱。在音频和图像重建基准测试中，SQMM 的性能优于紧凑型 QINR 和 INR 基线。