一种图像的修复方法、装置及量子计算机操作系统

摘要

本发明公开了一种图像的修复方法、装置及量子计算机操作系统，方法包括：获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像，对所述待修复图像的特征数据进行量子化，将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像，接收所述量子生成模型生成的第一修复图像。利用本发明实施例，可以根据量子计算技术实现破损图像的修复，节省了计算与存储资源。

权利要求

1.一种图像的修复方法，其特征在于，包括：

获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像；

对所述待修复图像的特征数据进行量子化；

将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像；

接收所述量子生成模型生成的第一修复图像。

2.根据权利要求1所述的方法，其特征在于，在所述获取待修复图像的特征数据之前，所述方法还包括：训练所述量子生成模型与判别网络，所述判别网络用于判别所述量子生成模型生成的第一修复图像与原始图像的相似程度，并生成与所述第一修复图像对应的第一判别函数以及与所述原始图像对应的第二判别函数，所述原始图像为与所述待修复图像具有对应关系的标识特征完整的图像。

3.根据权利要求2所述的方法，其特征在于，训练所述量子生成模型包括：接收第一训练数据并制备所述第一训练数据对应的量子态，所述第一训练数据为标识特征局部缺失的缺失图像；

所述量子态基于所述预设的量子生成模型演化得到纠缠状态；

测量所述纠缠状态并输出测量结果至所述判别网络；

接收所述判别网络生成的第一判别函数并根据所述第一判别函数生成量子损失函数，所述量子损失函数用于表示所述量子生成模型生成的第一修复图像与原始图像的差异程度；

根据所述量子损失函数更新所述量子生成模型。

4.根据权利要求2所述的方法，其特征在于，训练所述判别网络包括：接收所述量子生成模型输出的所述纠缠状态的测量结果；

获取第二训练数据，所述第二训练数据为与所述缺失图像对应的标识特征完整的原始图像；

提取所述测量结果的第一特征值与所述第二训练数据的第二特征值；

分别对所述第一特征值与所述第二特征值进行非线性处理及归一化，以得到对应于第一特征值的第一判定值与对应于第二特征值的第二判定值；

根据所述第一判定值与所述第二判定值判断所述第一修复图像和所述原始图像是否相似。

5.根据权利要求2所述的方法，其特征在于，所述根据所述第一判定值与所述第二判定值判断所述第一修复图像和所述原始图像是否相似包括：判断所述第一判定值与所述第二判定值的差值是否小于预设值，若所述第一判定值与所述第二判定值的差值小于所述预设值，则判断所述第一修复图像和所述原始图像相似。

6.根据权利要求1所述的方法，其特征在于，在接收所述量子生成模型生成的第一修复图像之后，所述方法还包括：将所述量子生成模型生成的第一修复图像输入至经典生成模型，所述经典生成模型用于修复所述量子生成模型生成的第一修复图像，并生成第二修复图像；

接收所述经典生成模型生成的第二修复图像。

7.一种图像的修复装置，其特征在于，包括：

获取单元，用于获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像；

处理单元，用于对所述待修复图像的特征数据进行量子化；

输入单元，用于将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像；

接收单元，用于接收所述量子生成模型生成的第一修复图像。

8.一种电子设备，其特征在于，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1‑6任一项所述的方法中的步骤的指令。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1‑6任一项所述的方法。

10.一种量子计算机操作系统，其特征在于，所述量子计算机操作系统根据权利要求1‑

6任一项所述的方法实现量子线路执行结果的确定。

说明书

一种图像的修复方法、装置及量子计算机操作系统

技术领域

[0001] 本发明属于量子计算领域，特别是一种图像的修复方法、装置及量子计算机操作系统。

背景技术

[0002] 众所周知，图像如果保存不当就会造成图像的毁坏，会因为无法修复而造成损失。为了挽救这种损失，图像修复技术应用而生。修复指的是恢复图像损失的部分并且基于背景信息将它们重建的技术。在数字图像世界中，它指的是应用复杂算法以替代图像数据中缺失或者损坏部分。

[0003] 在修复及填充老照片中的裂缝、划痕和瑕疵区域；消除照片上的日期、水印；移除不需要的图像内容，并用合理的图像内容填补移除后的空缺等各个方向均有广泛应用。比如人脸修复，唐墓壁画的模拟修复，视频去水印等领域。

[0004] 然而处理的图像如果较多，修复时所需要的算力以及存储空间需要消耗较多计算资源。

发明内容

[0005] 本发明的目的是提供一种图像的修复方法、装置及量子计算机操作系统，以解决现有技术中的不足，它能够根据量子计算技术实现破损图像的修复，节省计算与存储资源。

[0006] 第一方面，本申请实施例提供了一种图像的修复方法，方法包括：

[0007] 获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像；

[0008] 对所述待修复图像的特征数据进行量子化；

[0009] 将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像；

[0010] 接收所述量子生成模型生成的第一修复图像。

[0011] 可选的，在所述获取待修复图像的特征数据之前，所述方法还包括：

[0012] 训练所述量子生成模型与判别网络，所述判别网络用于判别所述量子生成模型生成的第一修复图像与原始图像的相似程度，并生成与所述第一修复图像对应的第一判别函数以及与所述原始图像对应的第二判别函数，所述原始图像为与所述待修复图像具有对应关系的标识特征完整的图像。

[0013] 可选的，训练所述量子生成模型包括：

[0014] 接收第一训练数据并制备所述第一训练数据对应的量子态，所述第一训练数据为标识特征局部缺失的缺失图像；

[0015] 所述量子态基于所述预设的量子生成模型演化得到纠缠状态；

[0016] 测量所述纠缠状态并输出测量结果至所述判别网络；

[0017] 接收所述判别网络的第一判别函数并根据所述第一判别函数生成量子损失函数，所述量子损失函数用于表示所述量子生成模型生成的第一修复图像与原始图像的差异程度；

[0018] 根据所述量子损失函数更新所述量子生成模型。

[0019] 可选的，训练所述判别网络包括：

[0020] 接收所述量子生成模型输出的所述纠缠状态的测量结果；

[0021] 获取第二训练数据，所述第二训练数据为与所述缺失图像对应的标识特征完整的原始图像；

[0022] 提取所述测量结果的第一特征值与所述第二训练数据的第二特征值；

[0023] 分别对所述第一特征值与所述第二特征值进行非线性处理及归一化，以得到对应于第一特征值的第一判定值与对应于第二特征值的第二判定值；

[0024] 根据所述第一判定值与所述第二判定值判断所述第一修复图像和所述原始图像是否相似。

[0025] 可选的，所述根据所述第一判定值与所述第二判定值判断所述第一修复图像和所述原始图像是否相似包括：

[0026] 判断所述第一判定值与所述第二判定值的差值是否小于预设值，

[0027] 若所述第一判定值与所述第二判定值的差值小于所述预设值，则判断所述第一修复图像和所述原始图像相似。

[0028] 可选的，在接收所述量子生成模型生成的第一修复图像之后，所述方法还包括：

[0029] 将所述量子生成模型生成的第一修复图像输入至经典生成模型，所述经典生成模型用于修复所述量子生成模型生成的第一修复图像，并生成第二修复图像；

[0030] 接收所述经典生成模型生成的第二修复图像。

[0031] 第二方面，本申请提供了一种图像的修复装置，包括：

[0032] 获取单元，用于获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像；

[0033] 处理单元，用于对所述待修复图像的特征数据进行量子化；

[0034] 输入单元，用于将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像；

[0035] 接收单元，用于接收所述量子生成模型生成的第一修复图像。

[0036] 可选地，所述装置还包括：

[0037] 训练单元，用于训练所述量子生成模型与判别网络，所述判别网络用于判别所述量子生成模型生成的第一修复图像与原始图像的相似程度，并生成与所述第一修复图像对应的第一判别函数以及与所述原始图像对应的第二判别函数，所述原始图像为与所述待修复图像具有对应关系的标识特征完整的图像。

[0038] 可选地，所述训练单元具体用于：

[0039] 接收第一训练数据并制备所述第一训练数据对应的量子态，所述第一训练数据为标识特征局部缺失的缺失图像；

[0040] 所述量子态基于所述预设的量子生成模型演化得到纠缠状态；

[0041] 测量所述纠缠状态并输出测量结果至所述判别网络；

[0042] 接收所述判别网络生成的第一判别函数并根据所述第一判别函数生成量子损失函数，所述量子损失函数用于表示所述量子生成模型生成的第一修复图像与原始图像的差异程度；

[0043] 根据所述量子损失函数更新所述量子生成模型。

[0044] 可选地，所述训练单元具体用于：

[0045] 接收所述量子生成模型输出的所述纠缠状态的测量结果；

[0046] 获取第二训练数据，所述第二训练数据为与所述缺失图像对应的标识特征完整的原始图像；

[0047] 提取所述测量结果的第一特征值与所述第二训练数据的第二特征值；

[0048] 分别对所述第一特征值与所述第二特征值进行非线性处理及归一化，以得到对应于第一特征值的第一判定值与对应于第二特征值的第二判定值；

[0049] 根据所述第一判定值与所述第二判定值判断所述第一修复图像和所述原始图像是否相似。

[0050] 可选地，所述装置还包括：

[0051] 判断单元，用于判断所述第一判定值与所述第二判定值的差值是否小于预设值，[0052] 所述判断单元，还用于若所述第一判定值与所述第二判定值的差值小于所述预设值，则判断所述第一修复图像和所述原始图像相似。

[0053] 可选地，所述装置还包括：

[0054] 所述输入单元，还用于将所述量子生成模型生成的第一修复图像输入至经典生成模型，所述经典生成模型用于修复所述量子生成模型生成的第一修复图像，并生成第二修复图像；

[0055] 所述接收单元，还用于接收所述经典生成模型生成的第二修复图像。

[0056] 第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面所述的方法中的步骤的指令。

[0057] 第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。

[0058] 第五方面，本申请实施例提供了一种量子计算机操作系统，其中，上述量子计算机操作系统根据本申请实施例第一方面所述的方法中所描述的部分或全部步骤。

[0059] 与现有技术相比，本申请提供的图像的修复方法获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像，对所述待修复图像的特征数据进行量子化，将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像，接收所述量子生成模型生成的第一修复图像。利用本发明实施例，可以根据量子计算技术实现破损图像的修复，节省了计算与存储资源。

附图说明

[0060] 图1为本申请实施例图像的修复方法的一个流程示意图；

[0061] 图2‑a为本申请实施例判别网络与量子生成模型训练关系的一个示意图；

[0062] 图2‑b为本申请实施例图像的修复方法的另一流程示意图；

[0063] 图2‑c为本申请实施例量子生成模型的一个结构示意图；

[0064] 图3‑a为本申请实施例图像的修复方法的另一流程示意图；

[0065] 图3‑b为本申请实施例判别网络的一个结构示意图；

[0066] 图4为本申请实施例图像的修复方法的另一流程示意图；

[0067] 图5为本申请实施例图像的修复装置的结构示意图；

[0068] 图6为本申请实施例图像的修复方法计算机终端的硬件结构框图。

具体实施方式

[0069] 下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

[0070] 本发明的实施例提供了一种图像的修复方法、装置及量子计算机操作系统，根据量子计算技术实现破损图像的修复，节省了计算与存储资源。

[0071] 要说明的是，本申请实施例所指量子程序，即是经典语言编写的表征量子比特及其演化的程序，其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。

[0072] 量子线路作为量子程序的一种体现方式，也称量子逻辑线路，是最常用的通用量子计算模型，表示在抽象概念下对于量子比特进行操作的线路，其组成包括量子比特、线路(时间线)，以及各种量子逻辑门，最后常需要通过量子测量操作将结果读取出来。量子线路的展现方式可以是按一定执行时序排列的量子逻辑门序列。

[0073] 不同于传统电路是用金属线所连接以传递电压信号或电流信号，在量子线路中，线路可看成是由时间所连接，亦即量子比特的状态随着时间自然演化，在这过程中按照哈密顿运算符的指示，一直到遇上量子逻辑门而被操作。

[0074] 一个量子程序整体上对应有一条总的量子线路，本申请所述量子程序即指该条总的量子线路，其中，该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为：一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成，一条量子线路可以包含几十上百个甚至千上万个量子逻辑门操作。量子程序的执行过程，就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是，时序即单个量子逻辑门被执行的时间顺序。

[0075] 需要说明的是，经典计算中，最基本的单元是比特，而最基本的控制模式是逻辑门，可以通过逻辑门的组合来达到控制电路的目的。类似地，处理量子比特的方式就是量子逻辑门。使用量子逻辑门，能够使量子态发生演化，量子逻辑门是构成量子线路的基础，量子逻辑门包括单比特量子逻辑门(或单量子逻辑门，简称“单门”)，如Hadamard门(H门，阿达马门)、泡利‑X门(X门)、泡利‑Y门(Y门)、泡利‑Z门(Z门)、RX门、RY门、RZ门等等；两比特量子逻辑门(或双量子逻辑门，简称“双门”)，如CNOT门、CR门、SWAP门、ISWAP门等等；多比特量子逻辑门(或多量子逻辑门，简称“多门”)，如ToffolI门等等。量子逻辑门一般使用酉矩阵表示，而酉矩阵不仅是矩阵形式，也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的矩阵进行计算的。

[0076] 例如，量子态右矢|0>对应矢量为 ，量子态右矢|1>对应矢量为 。

[0077] 量子态，即量子比特的逻辑状态。在量子算法(或称量子程序)中，针对量子线路包含的一组量子比特的量子态，采用二进制表示方式，例如，一组量子比特为q0、q1、q2，表示第0位、第1位、第2位量子比特，在二进制表示方式中从高位到低位排序为q2q1q0，该组量子比特对应的量子态共有2的量子比特总数次方个，即8个本征态(确定的状态)：|000>、|001>、|
010>、|011>、|100>、|101>、|110>、|111>，每个量子态的位与量子比特对应一致，如|001>态，001从高位到低位对应q2q1q0，|>为狄拉克符号。对于包含N个量子比特q0、q1、…、qn、…、qN‑1的量子线路，二进制表示量子态的位阶排序为qN‑1qN‑2…、q1q0。

[0078] 以单个量子比特说明，单个量子比特的逻辑状态ψ可能处于|0>态、|1>态、|0>态和|1>态的叠加态(不确定状态)，具体可以表示为ψ＝a|0>+b|1>，其中，a和b为表示量子态振2 2
幅(概率幅)的复数，振幅的模的平方表示概率，a、b分别表示逻辑状态是|0>态、|1>态的概
2 2
率，|a|+|b|＝1。简言之，量子态是各本征态组成的叠加态，当其他态的概率为0时，即处于唯一确定的本征态。

[0079] 下面对本申请图像的修复方法流程进行进一步的介绍，具体请参见图1，本申请实施例提供的图像的修复方法的一个流程示意图包括：

[0080] 101、获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像；

[0081] 102、对所述待修复图像的特征数据进行量子化；

[0082] 103、将所述量子化后的特征数据输入预训练的量子生成模型；

[0083] 104、接收所述量子生成模型生成的第一修复图像。

[0084] 具体地，本申请通过获取待修复图像的特征数据，待修复图像是一种标识特征局部缺失的图像，该特征数据可以为图像的像素，待修复图像是一种像素不完整的图像，可以表现为丢失了某区域的图片，待修复图像可以为包含一定标识特征的图像，示例性地，人脸图像或者动物图像都可以作为待修复图像的一种，因为人脸图像包括人的五官，五官的位置关系存在着一定的规律，动物的图像也存在着一定的规律，根据该规律则可以补足缺失的像素。

[0085] 本实施例中，将获取到的待修复图像包含的像素进行量子化，将待修复图像的像素编码至量子生成模型的量子线路上，以使得量子生成模型处理该待修复图像。

[0086] 进一步地，根据待修复图片像素的大小对应制备到相应数量的量子位上，用于产生N位样本的量子电路包括log2N个量子位，示例性地，如果一个待修复图片包括64个像素，则可以通过6个量子位实现该待修复图像的量子化，如果一个待修复图片包括300个像素，8 9
由于2＜300＜2 ，则可以通过9个量子位实现该待修复图像的量子化。量子生成模型可以演化该量子化后的待修复图像包含的像素至纠缠状态，得到待修复图像像素之间的关系，并通过测量该纠缠状态得到待修复图像的修复图像，并将该结果作为修复后的第一修复图像进行显示。

[0087] 本实施例中，获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像，对所述待修复图像的特征数据进行量子化，将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像，接收所述量子生成模型生成的第一修复图像。利用本发明实施例，可以根据量子计算技术实现破损图像的修复，节省了计算与存储资源。

[0088] 基于图一，本申请在实现图像修复之前可以预训练量子生成模型与判别网络，下面对量子生成模型与判别网络的训练关系进行进一步的介绍，具体请参见图2‑a，本申请实施例提供的判别网络与量子生成模型训练关系的一个示意图包括：

[0089] 获取一定数据量的人脸图片或者动物图片作为训练样本，以像素完整的图片作为原始图像，随机截掉原始图像的部分像素，被截掉部分的像素大小在此不做限定，将待修复图片输入至量子生成模型以获得第一修复图片，并将第一修复图片与原始图像输入至判别网络，判别网络根据全连接网络获取第一修复图片与原始图像的特征值，并通过归一化分别输出对应所述第一修复图片与原始图像的0‑1之间的数值，其中，原始图像输入至判别网络之前可以带有表示真图片的标签，第一修复图片输入至判别网络之前可以带有表示假图片的标签，判别网络输出带有标签属性的数值，若真图片的数值与假图片的数值差距较大，则认为量子生成模型的修复效果较好，即量子生成模型的参数准确度较低，并根据该数值更新该量子生成模型的参数。若真图片的数值与假图片的数值相等或差距较小，则可以认为量子生成模型的修复效果较好，即量子生成模型的参数准确度较高，保存该量子生成模型的参数。

[0090] 基于图2‑a，本申请对量子生成模型的训练过程进行进一步的介绍，具体请参见图2‑b，本申请实施例提供的图像的修复方法的另一流程示意图包括：

[0091] 201.接收第一训练数据并制备所述第一训练数据对应的量子态，所述第一训练数据为标识特征局部缺失的缺失图像；

[0092] 202.所述量子态基于所述预设的量子生成模型演化得到纠缠状态；

[0093] 203.测量所述纠缠状态并输出测量结果至所述判别网络；

[0094] 204.接收所述判别网络的第一判别函数并根据所述第一判别函数生成量子损失函数；

[0095] 205.根据所述量子损失函数更新所述量子生成模型。

[0096] 具体地，结合图2‑c对图2‑b的流程进行介绍，首先经过量子初始化模块，产生N位样本的量子电路包括log2N个量子位，初始量子态叠加为： 通过RX,RY,RZ门进行角度旋转得到量子数据初始化。

[0097] 将数据进行量子化操作后输入对应的含参量子线路，其中U(Init)为量子线路参数初始化模块，U(input)为量子编码模块，U(θ)为量子酉矩阵训练纠缠模块，最后通过对整体线路进行测量得到量子生成模型的结果。

[0098] 然后经过量子生成模块，即通过CR门受控旋转得到量子态的纠缠状态，再经过U3门操作旋转量子态相位，通过应用多层U(θ)模块进而构建量子生成器。

[0099] 在电路的末端，所有的量子位都在计算的基础上被测量，每一层由几个单量子位旋转门和两量子位控制相位门组成，每层中量子门的排列是相同的。生成部分的量子线路的构建主要使用了RX门,RY门,RZ门,CR门和U3门，并应用量子测量获取量子位的概率值，并根据该概率值赋予每个量子位所包含像素对应的权重，若概率值大，则认为该像素在待修复图片内的权重大，即该像素所在位置更能表示待修复图片的特征，一般地，以人脸图像为例，五官区域的权重大于非五官区域的权重。

[0100] 进一步地，损失函数的计算公式为：

[0101]

[0102] 其中，Dφ表示判别网络，m表示数据个数，gl表示来自量子发生器的数据样本，判别网络经过归一化后输出的是0‑1的数值，该数值越接近1，则经过对数计算后损失函数的数值越接近于0，即量子生成模型的损失越小，若判别网络输出的数值越接近0，则经过对数计算后损失函数的数值越接近于无穷，即量子生成模型的损失越大，如果量子生成模型的损失超过范围，则调整如图2‑c所示的逻辑门的偏转角度值，即调整量子生成模型的参数。

[0103] 基于图2，本申请对于判别网络的训练过程进行进一步的介绍，具体请参见图3，本申请实施例提供的图像的修复方法的另一流程示意图包括：

[0104] 301.接收所述量子生成模型输出的所述纠缠状态的测量结果；

[0105] 302.获取第二训练数据，所述第二训练数据为与所述缺失图像对应的标识特征完整的原始图像；

[0106] 303.提取所述测量结果的第一特征值与所述第二训练数据的第二特征值；

[0107] 304.分别对所述第一特征值与所述第二特征值进行非线性处理及归一化，以得到对应于第一特征值的第一判定值与对应于第二特征值的第二判定值；

[0108] 305.根据所述第一判定值与所述第二判定值判断所述第一修复图像和所述原始图像是否相似。

[0109] 基于图3‑b所表示的判别网络的结构图对图3‑a的方法进行进一步的介绍，判别网络包括全连接层，以及激活函数层，图3‑b以激活函数为leakyReLU与sigmoid为例，其中全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来，提取所述测量结果的第一特征值与所述第二训练数据的第二特征值，激活函数leakyReLU用于将提取出的第一特征值与第二特征值进行非线性化处理，激活函数sigmoid用于将非线性化后的结果映射至0‑1之间的数值。

[0110] 具体地，判别网络用于将具有对应关系的原始图像与量子生成模型生成的第一修复图像作为训练数据，并通过全连接层与激活函数层将原始图像与第一修复图像映射至0‑1之间的数值，若对应原始图像的数值与对应第一修复图像的数值差值小，则认为全连接层所获取到的原始图像与第一修复图像的特征差距较小，即原始图像与第一修复图像的特征差距小，即量子生成模型的修复效果较好，即量子生成模型的参数较为准确。相反地，若对应原始图像的数值与对应第一修复图像的数值差值大，则认为全连接层所获取到的原始图像与第一修复图像的特征差距较大，即原始图像与第一修复图像的特征差距大，即量子生成模型的修复效果较差，即量子生成模型的参数不准确。

[0111] 进一步地，若更新量子生成模型的参数后，所述判别网络生成的原始图像的数值与对应第一修复图像的数值差值较大，则计算判别网络的损失函数，并根据该损失函数更新所述判别网络：

[0112] 具体地，计算判别网络的损失函数的公式如下：

[0113]

[0114] 其中，Dφ表示判别网络，m表示数据个数，gl表示来自量子发生器的数据样本，xl表示从训练数据集中选取的m个随机样本，l＝1,...,m。

[0115] 将真假数据输入由全连接层构成的判别网络中，通过对损失函数的比较对量子生成器模型与判别网络进行反向传播，从而更新对应的参数。

[0116] 基于图1，本申请对于量子生成网络修复后可能的处理流程进行进一步的介绍，具体请参见图4，本申请实施例提供的图像的修复方法的另一流程示意图包括：

[0117] 401.将所述量子生成模型生成的第一修复图像输入至经典生成模型，所述经典生成模型用于修复所述量子生成模型生成的第一修复图像，并生成第二修复图像；

[0118] 402.接收所述经典生成模型生成的第二修复图像。

[0119] 具体地，若量子生成模型处理得到的第一修复图像不满足修复要求，例如第一修复图像修复区域的清晰度不够，第一修复图像修复区域不完整，还可以通过经典生成模型进行处理，该经典生成模型由经典生成模型与判别器组成，该经典生成模型与前述量子生成模型的作用一致，该判别器与前述判别网络的作用一致，将量子生成模型生成的第一修复图像输入至经典生成模型，以使得经典生成模型根据该第一修复图像生成第二修复图像，接收并显示该经典生成模型输出的第二修复图像，本申请将量子计算与经典计算进行结合，以保证图像的修复效果。

[0120] 可见，获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像，对所述待修复图像的特征数据进行量子化，将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像，接收所述量子生成模型生成的第一修复图像。利用本发明实施例，可以根据量子计算技术实现破损图像的修复，节省了计算与存储资源。

[0121] 参见图5，图5为本发明实施例提供的一种图像的修复装置的结构示意图，所述装置包括：

[0122] 获取单元501，用于获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像；

[0123] 处理单元502，用于对所述待修复图像的特征数据进行量子化；

[0124] 输入单元503，用于将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像；

[0125] 接收单元504，用于接收所述量子生成模型生成的第一修复图像。

[0126] 可选地，所述装置还包括：

[0127] 训练单元505，用于训练所述量子生成模型与判别网络，所述判别网络用于判别所述量子生成模型生成的第一修复图像与原始图像的相似程度，并生成与所述第一修复图像对应的第一判别函数以及与所述原始图像对应的第二判别函数，所述原始图像为与所述待修复图像具有对应关系的标识特征完整的图像。

[0128] 可选地，所述训练单元505具体用于：

[0129] 接收第一训练数据并制备所述第一训练数据对应的量子态，所述第一训练数据为标识特征局部缺失的缺失图像；

[0130] 所述量子态基于所述预设的量子生成模型演化得到纠缠状态；

[0131] 测量所述纠缠状态并输出测量结果至所述判别网络；

[0132] 接收所述判别网络生成的第一判别函数并根据所述第一判别函数生成量子损失函数，所述量子损失函数用于表示所述量子生成模型生成的第一修复图像与原始图像的差异程度；

[0133] 根据所述量子损失函数更新所述量子生成模型。

[0134] 可选地，所述训练单元505具体用于：

[0135] 接收所述量子生成模型输出的所述纠缠状态的测量结果；

[0136] 获取第二训练数据，所述第二训练数据为与所述缺失图像对应的标识特征完整的原始图像；

[0137] 提取所述测量结果的第一特征值与所述第二训练数据的第二特征值；

[0138] 分别对所述第一特征值与所述第二特征值进行非线性处理及归一化，以得到对应于第一特征值的第一判定值与对应于第二特征值的第二判定值；

[0139] 根据所述第一判定值与所述第二判定值判断所述第一修复图像和所述原始图像是否相似。

[0140] 可选地，所述装置还包括：

[0141] 判断单元506，用于判断所述第一判定值与所述第二判定值的差值是否小于预设值，

[0142] 所述判断单元506，还用于若所述第一判定值与所述第二判定值的差值小于所述预设值，则判断所述第一修复图像和所述原始图像相似。

[0143] 可选地，所述装置还包括：

[0144] 所述输入单元503，还用于将所述量子生成模型生成的第一修复图像输入至经典生成模型，所述经典生成模型用于修复所述量子生成模型生成的第一修复图像，并生成第二修复图像；

[0145] 所述接收单元504，还用于接收所述经典生成模型生成的第二修复图像。

[0146] 下面以运行在计算机终端上为例对其进行详细说明。图6为本发明实施例提供的一种图像的修复方法的计算机终端的硬件结构框图。如图6所示，计算机终端可以包括一个或多个(图6中仅示出一个)处理器601(处理器601可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器602，可选地，上述计算机终端还可以包括用于通信功能的传输装置603以及输入输出设备604。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。

[0147] 存储器602可用于存储应用软件的软件程序以及模块，如本申请实施例中的图像的修复方法对应的程序指令/模块，处理器601通过运行存储在存储器602内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器602可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器602可进一步包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0148] 传输装置603用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置603包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置603可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

[0149] 本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

[0150] 具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

[0151] 101.获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像；

[0152] 102.对所述待修复图像的特征数据进行量子化；

[0153] 103.将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像；

[0154] 104.接收所述量子生成模型生成的第一修复图像。

[0155] 具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read‑Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

[0156] 可见，获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像，对所述待修复图像的特征数据进行量子化，将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像，接收所述量子生成模型生成的第一修复图像。利用本发明实施例，可以根据量子计算技术实现破损图像的修复，节省了计算与存储资源。

[0157] 本发明实施例还提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

[0158] 具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

[0159] 具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

[0160] 101.获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像；

[0161] 102.对所述待修复图像的特征数据进行量子化；

[0162] 103.将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像；

[0163] 104.接收所述量子生成模型生成的第一修复图像可见，获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像，对所述待修复图像的特征数据进行量子化，将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像，接收所述量子生成模型生成的第一修复图像。利用本发明实施例，可以根据量子计算技术实现破损图像的修复，节省了计算与存储资源。

[0164] 本申请实施例还提供一种量子计算机操作系统，该量子计算机操作系统根据上述方法实施例中记载的任一方法的部分或全部步骤实现所述图像的修复处理。

[0165] 具体的，在本实施例中，上述量子计算机操作系统可以被设置为通过计算机程序执行以下步骤：

[0166] 101.获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像；

[0167] 102.对所述待修复图像的特征数据进行量子化；

[0168] 103.将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像；

[0169] 104.接收所述量子生成模型生成的第一修复图像。

[0170] 可见，获取待修复图像的特征数据，所述待修复图像为标识特征局部缺失的图像，对所述待修复图像的特征数据进行量子化，将所述量子化后的特征数据输入预训练的量子生成模型，所述量子生成模型用于将待修复图像的特征数据作为训练样本，训练得到标识特征完整的第一修复图像，接收所述量子生成模型生成的第一修复图像。利用本发明实施例，可以根据量子计算技术实现破损图像的修复，节省了计算与存储资源。

[0171] 需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

[0172] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0173] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

[0174] 上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0175] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0176] 上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

[0177] 本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read‑Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

[0178] 以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。