CN106454382B - 一种量子图像制备方法 - Google Patents

一种量子图像制备方法 Download PDF

Info

Publication number
CN106454382B
CN106454382B CN201610835919.1A CN201610835919A CN106454382B CN 106454382 B CN106454382 B CN 106454382B CN 201610835919 A CN201610835919 A CN 201610835919A CN 106454382 B CN106454382 B CN 106454382B
Authority
CN
China
Prior art keywords
quantum
quantization
dct coefficient
bit
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610835919.1A
Other languages
English (en)
Other versions
CN106454382A (zh
Inventor
姜楠
赵娜
党义杰
虎皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201610835919.1A priority Critical patent/CN106454382B/zh
Publication of CN106454382A publication Critical patent/CN106454382A/zh
Application granted granted Critical
Publication of CN106454382B publication Critical patent/CN106454382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/625—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using discrete cosine transform [DCT]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开一种量子图像制备方法，包括以下步骤：步骤S1、对每一个8×8图像块进行二维DCT变换，并用量化矩阵进行量化，得到量化后的DCT系数；步骤S2、采用Hadamard操作和2n‑CNOT将量化后的DCT系数输入到量子计算机中；步骤S3、在量子计算机上将量化后的DCT系数转换为像素值，完成量子图像的制备。采用本发明的技术方案，减少量子图像输入过程中所需的操作。

Description

一种量子图像制备方法
技术领域
本发明涉及量子图像处理领域，尤其涉及一种量子图像制备方法，具体涉及一种基于离散余弦变换(DCT变换)和JPEG压缩来降低量子图像输入过程中所需操作的方法。
背景技术
量子计算机靠量子比特来存储信息。与经典比特不同，量子比特有两个显著特点：一是叠加，二是纠缠。
叠加指得是一个量子比特可以同时存储0和1。量子计算机中的0和1与经典计算机中的0和1也有不同，量子计算机中叫做状态|0>和状态|1>。叠加态中既有|0>，又有|1>，表示为α|0>+β|1>，其中α2+β2＝1，且|0>和|1>所占的比重分别为α2和β2。多个量子比特也可以叠加，比如两个量子比特，可以同时存储|00>，|01>，|10>，|11>四个状态，表示为α|00>+β|01>+γ|10>+λ|11>，其中α2+β2+γ2+λ2＝1，且|00>，|01>，|10>，|11>所占比重分别为α2,β2,γ2,λ2。
纠缠指得是两个量子比特存储的状态之间互相影响的现象。比如两个量子比特所处的状态为那么如果第一个量子比特处在|0>状态，则第二个量子比特也一定处在|0>状态；如果第一个量子比特处在|1>状态，则第二个量子比特也一定处在|1>状态。此时，两个量子比特纠缠在一起，要么都处在|0>状态，要么都处在|1>状态。多个量子比特也可以纠缠。
叠加和纠缠带来的好处是量子计算机的高度并行性。在经典计算机上需要一个一个来处理的问题，在量子计算机上由于叠加存储在一起，只处理一次就可以解决。
近几年，量子图像处理逐渐成为量子计算领域的一个研究热点，指的是在量子计算机上进行图像处理。它有三个基本步骤：(1)将图像输入到量子计算机中，叫做量子图像制备。(2)用量子计算机处理图像。(3)通过量子测量得到处理后的结果。
量子图像制备与量子图像在量子计算机中的存储方式有密切关系。图像在量子计算机中的存储方式不一样，那么输入到计算机中的方法也会有区别。在通用量子图像存储方法(GQIR)中，一个尺寸为2n×2n、色深为q的图像需要用2n+q个量子比特来存储。其中的q个量子比特用来存储颜色信息，n个量子比特用来存储X坐标信息，另外n个量子比特用来存储Y坐标信息。在GQIR中，每个用来存储X坐标信息的量子比特中，|0>和|1>出现的比重各占因此n个这样量子比特连在一起可以存储00…00、00…01、……、11…11所有2n个X坐标信息。同样的道理，n个用来存储Y坐标信息的量子比特可以表示所有2n个Y坐标信息。用来存储颜色信息的量子比特的值中，|0>和|1>出现的比重根据图像的内容来设置，且与坐标信息纠缠在一起，即像素的颜色和坐标对应起来，以此存储整个图像。
由此可以看到，GQIR量子图像存储方法与经典图像存储方法有很大的不同。一个尺寸为2n×2n、色深为q的图像，在经典计算机上需要2n×2n×q个比特来存储，而在量子计算机上，只需要2n+q个量子比特来存储。
GQIR量子图像制备由三个步骤组成：
1.准备2n+q个初始态为|0>的量子比特。
2.用2n个Hadamard操作制备X和Y坐标信息。Hadamard操作是量子计算中的一个基本操作，其作用是将|0>状态变为|0>和|1>各占的叠加态。2n个Hadamard操作将所有存储坐标信息的2n个量子比特全部变为|0>和|1>各占的叠加态，即叠加存储从00…00到11…11所有坐标信息。
3.用若干个2n-CNOT操作设置像素颜色值。2n-CNOT操作也是量子计算中的一个基本操作，共操作2n+1个量子比特，其中2n个是控制位，1个目标位，控制位有1-控制和0-控制两种，目标位是一个取反操作。当满足控制条件时，目标位取反；如果不满足控制条件则什么也不做。比如一个2-CNOT操作，共操作3个量子比特a、b、c，假设a、b是控制位，c是目标位，且a是1-控制，b是0-控制，则当且仅当a处在|1>状态且b处在|0>状态时，目标位c取反，即：如果c原来为|1>则变为|0>；如果c原来为|0>则变为|1>。用来设置颜色值的2n-CNOT操作，控制位是存储坐标信息的那2n个量子比特，目标位是q个颜色信息中的一个，具体是哪一个，要根据图像内容来设置。比如(0,0)位置的像素值是129，即二进制的10000001，则设置这个像素值需要两个2n-CNOT操作，这两个2n-CNOT操作的控制位全部是0-控制，目标位一个在颜色信息的第0位，一个在颜色信息的第7位。可见，本步骤中用到的2n-CNOT操作的个数等于所有二进制像素值中比特1的个数。
该制备过程最复杂的操作是第3步，其复杂度等于所有二进制像素值中比特1的个数。假设所有比特取值为1和取值为0的概率相等，则所有二进制像素值中比特1的个数为即制备过程的复杂度是比如一个1024×1024的24位彩色图像，制备它的复杂度为1024×1024×24/2＝12582912。这是一个相当高的复杂度，因此，本发明给出一种新的量子图像制备方法，以降低制备复杂度。
发明内容
本发明的目的在于提供一种高效的GQIR量子图像制备方法，减少量子图像输入过程中所需的操作。
为了实现上述目的，本发明所采用如下的技术方案：
一种量子图像制备方法，包括：
步骤S1、对每一个8×8图像块进行二维DCT变换，并用量化矩阵进行量化，得到量化后的DCT系数；
步骤S2、采用Hadamard操作和2n-CNOT将量化后的DCT系数输入到量子计算机中；
步骤S3、在量子计算机上将量化后的DCT系数转换为像素值，完成量子图像的制备。
作为优选，步骤S2具体包括以下步骤：
步骤S2.1、准备2n+q个初始态为|0>的量子比特；
步骤S2.2、采用2n个Hadamard操作制备X和Y坐标信息；
步骤S2.3、采用若干个2n-CNOT操作将量化后的整体DCT系数输入到量子计算机中。
作为优选，步骤S3具体包括以下步骤：
步骤S3.1、将量化矩阵输入到量子计算机中，所述量化矩阵是8×8，且量化矩阵中的元素一般不超过像素值的一半，采用6+(q-1)＝q+5个初始态为|0>的量子比特即可，其中6个存储坐标信息，q-1个存储矩阵的值；通过6个Hadamard操作和若干个6-CNOT操作输入量化矩阵。
步骤S3.2、在量子量化矩阵的作用下，对量子DCT系数进行逆量化操作，得到重构后的DCT系数，即解量化后的DCT系数。
步骤S3.3、对重构后的DCT系数进行逆DCT操作，得到量子图像。
本发明量子图像制备方法，首先进行预处理过程，产生量化后的DCT系数；然后将量化后的DCT系数输入到量子计算机中；最后在量子计算机上，将量化后的DCT系数转换为像素值，完成量子图像的制备，本发明采用基于DCT变换，以提高制备效率，即减少制备过程所需操作。
附图说明
图1是本发明量子图像制备方法的流程图；
图2是预处理流程；
图3是制备过程；
图4是量子转换流程；
图5是逆量化过程；
图6是逆DCT过程。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰，下面将结合附图就实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1是本发明一种高效的量子图像制备方法的处理流程。由三个步骤组成：首先进行预处理过程，产生量化后的DCT系数。然后将量化后的DCT系数输入到量子计算机中。最后在量子计算机上，将量化后的DCT系数转换为像素值，完成量子图像的制备。其中预处理过程在经典计算机上完成，量子转换过程在量子计算机上完成，DCT系数的制备过程是由经典计算机到量子计算机的转换接口。
图2给出预处理流程。将图像分为8×8大小的图像块，对每一个图像块进行同样的处理。首先对图像块进行二维DCT变换，得到DCT系数。DCT系数也是一个8×8矩阵，最左上角的元素是直流系数，越往右下角方向，越是高频系数。然后用量化矩阵对DCT系数进行量化。量化矩阵是一个8×8的正整数矩阵，所谓的量化就是用DCT系数矩阵中的每个元素除以量化矩阵中的对应元素，并四舍五入取整，产生一个8×8的整数矩阵，即量化后的DCT系数。在该矩阵中，出现大量的0元素，且非0元素多集中在左上角。
8×8分块、二维DCT变换、量化这三个步骤与JPEG压缩的前三个步骤是相同的，但是后面的处理与JPEG压缩完全不一样。本发明不需要对量化后的系数进行zigzag编码、熵编码等处理，而是直接将一个一个8×8的量化后的DCT系数矩阵，按照分块时的顺序，重新拼接为一个与原图像同样大小的矩阵，叫做量化后的整体DCT系数。
图3是本发明的制备过程。首先准备2n+q个初始态为|0>的量子比特。然后用2n个Hadamard操作制备X和Y坐标信息。最后用若干个2n-CNOT操作将量化后的整体DCT系数输入到量子计算机中。
图中，数据的运算顺序为从左到右。方框中间一个大写的H表示的是Hadamard操作，将初始态为|0>的X和Y坐标信息变为|0>和|1>各占的叠加态，所有2n个Hadamard操作可并行执行。Hadamard操作后面的操作为若干个2n-CNOT操作，用来设置DCT系数的值，其中前q-1个量子比特存储DCT系数的绝对值，第q个量子比特存储DCT系数的符号：若DCT系数为正，则符号位为0；否则符号位为1。2n-CNOT操作中的空心圆圈和实心圆圈是控制位，空心圆圈表示0-控制，实心圆圈表示1-控制。较大的圆圈中间一个“十”字是目标位，当满足控制条件时，目标位取反。图3中虽然画出5个2n-CNOT操作，但这只是一个例子，实际应用时需要根据量化后的整体DCT系数来设置。
图4是本发明的量子转换流程，用来将输入的量子DCT系数转换为量子图像。
首先用与图3类似的过程将量化矩阵输入到量子计算机中，由于量化矩阵是8×8的，且量化矩阵中的元素一般不超过像素值的一半，因此，准备6+(q-1)＝q+5个初始态为|0>的量子比特即可，其中6个存储坐标信息，q-1个存储矩阵的值。用6个Hadamard操作和若干个6-CNOT操作输入量化矩阵。
然后在量子量化矩阵的作用下，对量子DCT系数进行逆量化操作，得到重构后的DCT系数，即解量化后的DCT系数。
最后对重构后的DCT系数进行逆DCT操作，得到量子图像。
图5是本发明的逆量化过程。其中上半部分是量子量化矩阵，下半部分是在图3中制备的量子DCT系数，最下面的是一个辅助量子比特g。图中有4条横线较粗，且其上有一条小斜线，旁边有一个数字，这表示多个量子比特，数字给出量子比特的个数。
首先用6个1-CNOT操作判断量化矩阵的坐标信息是否与量子DCT系数X和Y坐标信息的各低3比特相同，即是否yQ2＝y2,yQ1＝y1,yQ0＝y0,xQ2＝x2,xQ1＝x1,xQ0＝x0，如果相同，则处在目标位的量子比特yQ2,yQ1,yQ0,xQ2,xQ1,xQ0全变为|0>。比如|xQ0x0>这两个量子比特，所处的状态一共有|00>，|01>，|10>，|11>四种状态，由于1-CNOT操作是1-控制的，则经过作用于两者的1-CNOT操作的处理，这四种状态会分别变为|00>，|11>，|10>，|01>，这说明，如果原来xQ0和x0处在同一状态，经过1-CNOT操作的处理之后，目标位xQ0一定变为|0>状态；反之，目标位xQ0一定变为|1>状态。
接下来，当yQ2,yQ1,yQ0,xQ2,xQ1,xQ0全为|0>时，用一个6-CNOT操作将辅助量子比特g的状态从|0>变为|1>，该6-CNOT操作的6个控制位全为0-控制。经过这两步，当g为|1>时，就意味着yQ2＝y2,yQ1＝y1,yQ0＝y0,xQ2＝x2,xQ1＝x1,xQ0＝x0。
接下来是一个带一个控制位的量子乘法操作MULER，两个乘数是量化矩阵和DCT系数，输出是有2q-2个比特的重构后的量子DCT系数，控制位是g。这一步是逆量化中最关键的一步：DCT系数乘以量化系数，也就是量化矩阵中的对应元素。控制位g的作用是，只有当控制位g为|1>时，即当yQ2＝y2,yQ1＝y1,yQ0＝y0,xQ2＝x2,xQ1＝x1,xQ0＝x0时，才进行相乘操作，保证了DCT系数的8×8分块与量化矩阵中对应元素相乘。
最后用一个2-CNOT操作设置DCT系数的符号位。由于量化矩阵的所有元素均为正数，因此逆量化前为正的DCT系数，逆量化后仍然为正；逆量化前为负的DCT系数，逆量化后仍然为负。该2-CNOT操作的作用是当g为|1>时，将逆量化后的符号位设置为与量化前的符号位同样的状态。这是因为，在该2-CNOT操作前，一共有|00>，|01>两种状态，经过该2-CNOT操作后，的状态变为|00>，|11>，即逆量化后的符号位与量化前的符号位处在了同样的状态。
图6是逆DCT过程。逆DCT变换的原理是其中由于i,j,u,v的取值均为0,1,2,…,7，一共有84＝4096个值，我们将其记为Cij(u,v)。逆DCT过程就是用Cij(u,v)与F'(u,v)相乘，然后再相加。
其中第一步是将Cij(u,v)存储到量子计算机中。存储时，i,j作为坐标信息，用6个量子比特来存储。Cij(0,0),Cij(0,1),……,Cij(7,7)分别存储在不同的量子比特中，每一个Cij(u,v)需要用q个量子比特，一共需要64q个量子比特。制备所有Cij(u,v)的方法与图3所示的方法类似：准备6+64q个初始态为|0>的量子比特，用6个Hadamard操作和若干个6-CNOT操作输入Cij(u,v)。表示Cij(u,v)的q个量子比特中，最高位存储符号位，其余q-1个存储Cij(u,v)的绝对值。
接下来将Cij(u,v)的绝对值与F'(u,v)的绝对值相乘。由于Cij(0,0),Cij(0,1),……,Cij(7,7)分别存储在不同的量子比特中，因此需要64个量子乘法器分别将Cij(0,0)与F'(0,0)相乘，……将Cij(7,7)与F'(7,7)相乘。每一个乘法器由6个控制位控制，以保证F'(u,v)中的(u,v)与Cij(u,v)中的(u,v)相同。由于Cij(u,v)的绝对值和F'(u,v)的绝对值都用q-1个量子比特存储，因此量子乘法器的输出有2q-2个量子比特，这个分辨率对后续处理来讲分辨率过高，因此只取前q个量子比特参加后面的运算。
然后用128个8-CNOT操作设置Cij(u,v)与F'(u,v)相乘的符号位，其中6个控制位保证F'(u,v)中的(u,v)与Cij(u,v)中的(u,v)相同，其余两个控制位分别位于Cij(u,v)和F'(u,v)的符号位，且一个是0-控制、一个是1-控制，使得Cij(u,v)和F'(u,v)的符号一正一负时，将乘积的符号位变为负的，即|1>状态。
最后将所有乘积加起来，用量子加法器ADDER实现。先将Cij(0,0)与0相加，再将前一步的和与一个新的加数相加，这样共需要加64次。表示ADDER的符号有一个细长的黑色竖条，黑色竖条在右边表示两个输入相加，黑色竖条在左边表示两个输入相减。由于Cij(u,v)与F'(u,v)相乘的结果有可能为正也有可能为负，因此每加一次，需要两个带控制位的相加操作ADDER。当控制位为0-控制，即乘积为正的时候，黑色竖条在右边，表示两数相加；当控制位为1-控制，即乘积为负的时候，黑色竖条在左边，表示两数相减。由于符号位要么处在|0>状态，要么处在|1>状态，因此这两个带控制位的相加操作ADDER有且仅有一个起作用。最终得到的存储的就是量子图像。

Claims (2)

1.一种量子图像制备方法，其特征在于，包括以下步骤：
步骤S1、对每一个8×8图像块进行二维DCT变换，并用量化矩阵进行量化，得到量化后的DCT系数；
步骤S2、采用Hadamard操作和2n-CNOT将量化后的DCT系数输入到量子计算机中；
步骤S3、在量子计算机上将量化后的DCT系数转换为像素值，完成量子图像的制备，具体包括以下步骤：
步骤S3.1、将量化矩阵输入到量子计算机中，所述量化矩阵是8×8，且量化矩阵中的元素不超过像素值的一半，采用6+(q-1)＝q+5个初始态为|0>的量子比特即可，其中6个存储坐标信息，q-1个存储矩阵的值；通过6个Hadamard操作和若干个6-CNOT操作输入量化矩阵；
步骤S3.2、在量子量化矩阵的作用下，对量子DCT系数进行逆量化操作，得到重构后的DCT系数，即解量化后的DCT系数；
步骤S3.3、对重构后的DCT系数进行逆DCT操作，得到量子图像。
2.如权利要求1所述的量子图像制备方法，其特征在于，步骤S2具体包括以下步骤：
步骤S2.1、准备2n+q个初始态为|0>的量子比特；
步骤S2.2、采用2n个Hadamard操作制备X和Y坐标信息；
步骤S2.3、采用若干个2n-CNOT操作将量化后的整体DCT系数输入到量子计算机中。
CN201610835919.1A 2016-09-20 2016-09-20 一种量子图像制备方法 Active CN106454382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610835919.1A CN106454382B (zh) 2016-09-20 2016-09-20 一种量子图像制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610835919.1A CN106454382B (zh) 2016-09-20 2016-09-20 一种量子图像制备方法

Publications (2)

Publication Number Publication Date
CN106454382A CN106454382A (zh) 2017-02-22
CN106454382B true CN106454382B (zh) 2019-04-30

Family

ID=58165765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610835919.1A Active CN106454382B (zh) 2016-09-20 2016-09-20 一种量子图像制备方法

Country Status (1)

Country Link
CN (1) CN106454382B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107204008B (zh) * 2017-06-08 2020-09-04 上海海事大学 量子图像匹配方法
CN109829545B (zh) * 2018-12-21 2023-04-18 中南民族大学 一种视频数据的量子制备方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102955855A (zh) * 2012-10-30 2013-03-06 河南理工大学 基于量子算法的掌纹数据库搜索方法
CN103366334A (zh) * 2013-07-10 2013-10-23 北京工业大学 一种基于量子离散余弦变换的量子水印认证方法
CN103886542A (zh) * 2014-03-24 2014-06-25 北京工业大学 量子Arnold图像置乱方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7769084B1 (en) * 2002-07-15 2010-08-03 Apple Inc. Method for implementing a quantizer in a multimedia compression and encoding system
US20110289128A1 (en) * 2010-05-24 2011-11-24 Chih-Ta Star Sung Method of performing discrete cosine transform

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102955855A (zh) * 2012-10-30 2013-03-06 河南理工大学 基于量子算法的掌纹数据库搜索方法
CN103366334A (zh) * 2013-07-10 2013-10-23 北京工业大学 一种基于量子离散余弦变换的量子水印认证方法
CN103886542A (zh) * 2014-03-24 2014-06-25 北京工业大学 量子Arnold图像置乱方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《量子图像置乱及伪彩色处理研究》;吴文亚;《中国优秀硕士论文全文数据库（信息科技辑）》;20160315;全文

Also Published As

Publication number Publication date
CN106454382A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
Cao et al. Parallel banding algorithm to compute exact distance transform with the GPU
DE102021120605A1 (de) Effiziente softmax-berechnung
CN104067296B (zh) 一维信号抽取的方法和装置
US9117284B2 (en) Asynchronous compute integrated into large-scale data rendering using dedicated, separate computing and rendering clusters
CN106454382B (zh) 一种量子图像制备方法
Mueller‐Roemer et al. Ternary sparse matrix representation for volumetric mesh subdivision and processing on GPUs
CN109286819A (zh) 联合压缩的显式图像加密、解密方法及装置
CN104111967B (zh) 处理内核调用的方法、系统、处理器和计算机可读介质
DE102017117381A1 (de) Beschleuniger für dünnbesetzte faltende neuronale Netze
Jobst et al. Efficient MPS representations and quantum circuits from the Fourier modes of classical image data
Pugmire et al. Towards scalable visualization plugins for data staging workflows
Moreland et al. Visualization for exascale: Portable performance is critical
DE102023105572A1 (de) Effiziente Matrixmultiplikation und -addition mit einer Gruppe von Warps
Shen et al. Distributed sparse bundle adjustment algorithm based on three-dimensional point partition and asynchronous communication
Happ et al. Towards distributed region growing image segmentation based on MapReduce
Lee et al. Partial Large Kernel CNNs for Efficient Super-Resolution
Dai et al. Mix-order attention networks for image restoration
Barina et al. Accelerating discrete wavelet transforms on GPUs
Binyahib Scientific visualization on supercomputers: A survey
Borges et al. A projection‐based algorithm for ℓ 2‐ℓ p Tikhonov regularization
Yang et al. Photomosaic generation by rearranging subimages, with GPU acceleration
Barina et al. Accelerating discrete wavelet transforms on parallel architectures
Dechevsky et al. Solving non-linear systems of equations on graphics processing units
Popa et al. Possibilities for fast Generation of Fractal Images and Various Fields of Applicability
Cheredarchuk et al. Towards Image Processing Based on System of Difference Equations

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant