Hash-QNeRF: Multiresolution Hash Encoding for Quantum Neural Radiance Fields

📄 arXiv: 2607.21675v1 📥 PDF

作者: Digonto Biswas, Tana Ballove, Anjan Bandyopadhyay, Sutanu Mangal, Arun Kumar Pati

分类: quant-ph, cs.CV

发布日期: 2026-07-23

💡 一句话要点

提出Hash-QNeRF以解决NeRF在高保真渲染中的计算效率问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 量子计算 神经辐射场 哈希编码 高保真渲染 计算效率 多分辨率 机器学习 图形学

📋 核心要点

  1. 现有的NeRF方法在高保真渲染中计算复杂度高，尤其在处理复杂场景时表现不佳。
  2. 本研究提出Hash-QNeRF，通过引入多分辨率哈希编码替代传统的正弦位置编码，提高了模型的收敛速度和内存效率。
  3. 在合成Blender场景中，Hash-QNeRF实现了显著的性能提升，训练损失降至0.003534，PSNR达到24.5 dB，且在噪声抗性测试中表现良好。

📝 摘要（中文）

神经辐射场（NeRF）在新视角合成中引起了革命，但其经典实现对于高保真渲染仍然计算密集。QNeRF展示了在基于量子门的量子计算机上训练NeRF的可行性，但依赖于经典的正弦位置编码，导致在场景复杂性和分辨率上扩展性差。本研究将正弦位置编码替换为Instant-NGP的多分辨率哈希编码，同时保持视角方向编码、幅度多层感知机、量子电路、奇偶测量、输出缩放和体积渲染管道不变。Hash-QNeRF保留了量子辐射预测步骤，同时受益于可学习哈希网格的快速收敛和内存效率。在合成Blender场景中，我们实现了最终训练损失为0.003534，对应于拟合批次的约24.5 dB PSNR。使用Qiskit FakeKyiv和FakeTorino后端的噪声抗性实验显示状态保真度为0.93到0.98，表明哈希编码未降低量子电路的噪声容忍度。

🔬 方法详解

问题定义：本研究旨在解决NeRF在高保真渲染中的计算效率问题，尤其是其在复杂场景下的扩展性不足。现有的QNeRF方法依赖于经典的正弦位置编码，导致在处理高分辨率场景时性能下降。

核心思路：论文提出的Hash-QNeRF通过引入多分辨率哈希编码，替代传统的正弦位置编码，旨在提高模型的收敛速度和内存使用效率，同时保留量子计算的优势。

技术框架：Hash-QNeRF的整体架构包括多个模块：多分辨率哈希编码用于空间坐标，视角方向编码保持不变，幅度多层感知机（MLP）和量子电路用于辐射预测，奇偶测量和体积渲染管道则负责最终的图像生成。

关键创新：最重要的技术创新在于将多分辨率哈希编码引入量子神经辐射场中，这一设计显著提升了模型在复杂场景下的表现，与传统方法相比，减少了计算复杂度并提高了渲染效率。

关键设计：在模型设计中，采用了可学习的哈希网格，优化了参数设置，损失函数设计为适应量子计算的特性，确保了在量子电路中保持高效的噪声容忍度。具体的网络结构和参数设置在实验部分进行了详细描述。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在合成Blender场景中，Hash-QNeRF实现了最终训练损失为0.003534，PSNR达到24.5 dB，显示出显著的性能提升。此外，噪声抗性实验结果表明，状态保真度在0.93到0.98之间，表明该方法在量子电路中的噪声容忍度良好。

🎯 应用场景

该研究的潜在应用领域包括虚拟现实、游戏开发和计算机图形学等，能够为高保真渲染提供更高效的解决方案。随着量子计算技术的发展，Hash-QNeRF有望在未来的实时渲染和复杂场景处理上发挥重要作用，推动相关领域的技术进步。

📄 摘要（原文）

Neural Radiance Fields (NeRF) have revolutionized novel view synthesis, yet their classical implementations remain computationally intensive for high-fidelity rendering. QNeRF recently demonstrated the feasibility of training NeRF on gate-based quantum computers by combining amplitude embedding, parameterized quantum circuits (PQCs), parity-based measurements, and volumetric rendering. However, QNeRF relies on classical sinusoidal positional encoding for spatial coordinates, which scales poorly with scene complexity and resolution. In this work, we replace the sinusoidal positional encoding for spatial coordinates with the multiresolution hash encoding from Instant-NGP while keeping the view-direction encoding, amplitude MLP, quantum circuit, parity measurement, output scaling, and volumetric rendering pipeline unchanged. This hybrid design, Hash-QNeRF, retains the quantum radiance prediction step while benefiting from the fast convergence and memory efficiency of learnable hash grids. On a synthetic Blender scene, we achieve a final training loss of 0.003534, corresponding to approximately 24.5 dB PSNR on the fitted batch. Noise resilience experiments using Qiskit FakeKyiv and FakeTorino backends yield state fidelities of 0.93 to 0.98, indicating that hash encoding does not degrade the quantum circuit's noise tolerance.