本文提出基于量子人工神经元思想的混合量子边缘检测方法，可在现阶段的噪声中等规模的量子计算机上实现，并通过方法的可扩展性实现了比以往更大范围的图像边缘检测。

Mar, 2022

提出了一种基于局部自适应阈值的量子分割算法，该算法利用量子机制为灰度图像中的所有像素同时计算局部阈值，并将图像快速分割为二值图像。设计了几个量子电路单元，包括中值计算、量子二值化等，并通过使用较少的量子比特和量子门设计了一个完整的量子电路来分割 NEQR 图像。对于一个具有 2^n × 2^n 个像素和 q 个灰度级的图像，我们的算法的复杂度可以降低到 O (n^2+q)，与经典方法相比具有指数级的加速。最后，在 IBM Q 上进行实验以展示我们的算法在噪声中等比例量子（NISQ）时代的可行性。

Oct, 2023

提出了一种改进的 NEQR 图像的双阈值量子分割算法，利用较少的量子比特将复杂灰度图像分割成清晰的三值图像，并且可以对 n 个阈值进行 n+1 次分割，通过设计可行的量子比较器和可扩展的量子电路对 NEQR 图像进行分割，实验结果表明该算法能够有效地进行图像分割。

Oct, 2023

本文中提出了一种基于量子机制的量子图像分割算法，可解决传统基于灰度形态学的算法在处理大规模数据时的实时性问题，并通过在灰度图像的所有像素上同时执行形态学操作，快速将图像分割为二值图像。通过设计并结合多个量子电路单元，包括膨胀、腐蚀、底帽变换和顶帽变换等，构建了用于分割 NEQR 图像的完整量子电路。对于一个 2^n * 2^n 图像，其复杂度可以降低到 O (n^2+q)，相比传统算法速度提升是指数级的。最后，实验在 IBM Q 上展示了我们的算法在噪声中等规模量子（NISQ）时代的可行性。

Oct, 2023

提出一种基于 Newton-type 方法的分布式优化算法 Q-SHED，采用增量 Hess 量子化的位分配方案，可以大幅减少收敛所需的通信轮次，从而提高边缘网络的通信效率。

May, 2023

使用深度学习模型，通过全卷积神经网络和深度监督网络技术实现图像到图像的预测，提出一种全局学习和多尺度特征学习的新型边缘检测算法 (HED)，在 BSD500 和 NYU Depth 数据集上较以前的基于卷积神经网络的边缘检测算法拥有更快的速度 (平均 0.4 秒每张图像).

Apr, 2015

本文介绍了 QUBO 形式的 Graph Edit Distance (GED) 问题，它允许我们在量子芯片上实现两种不同的方法，即量子退火和变分量子算法，为机器学习和模式识别提供一种新颖的解决方案。

Nov, 2021

本篇论文提出了一种用于语义边缘检测的卷积神经网络，使用多种深度监督的方式对分类不可知和分类可知的边缘进行单独识别以实现更好的结果，并引入信息转换单元以解决监督挑战。

Apr, 2018

本文提出了基于量子计算优势的 Quantum-soft QUBO Suppression (QSQS) 算法，应用于物体检测中的冗余检测。 实验证明，相比于传统的 NMS 和 soft-NMS 算法，该算法将 PASCAL VOC 2007 数据集的平均精度从 74.20％提高到 75.11％，在基准行人检测任务中的表现也更好。

Jul, 2020

本文提出了一种名为 ELSED 的局部线段检测算法，通过局部线段生长算法对梯度对齐像素进行连接以提高检测效率，同时引入了新的指标衡量线段检测器的准确性和可重复性，在多项实验中证明了该方法的高效性和准确性。

Aug, 2021