Quantencomputing trifft Visual Computing: Neue Wege für die Bildrekonstruktion

Dr. Vladislav Golyanik, Leiter der Forschungsgruppe "4D Quantum Computer Vision". Foto: MPI-INF/Philipp Zapf-Schramm

Die Forschungsgruppe „4D Quantum Computer Vision“ am Max-Planck-Institut (MPI) für Informatik in Saarbrücken untersucht, welches Potenzial das Quantencomputing für Fragen der computergestützten Bildverarbeitung (Visual Computing) bietet. Ein neues, von ihnen gemeinsam mit Partnern der Universität Udine und der Universität Neapel Federico II entwickeltes Hybridmodell aus einem sogenannten „Quantum Neural Network“ und einem klassischen neuronalen Netz, übertrifft nun in Tests an etablierten Metriken bisherige Methoden, bei deutlich weniger Netzwerk-Verbindungen und kürzerer Trainingszeit. 

Technologien zu erforschen, die heute noch nicht mit dem Stand der Technik mithalten können, aber das Potenzial haben, morgen ganze Felder zu verändern, genau das ist Grundlagenforschung. Eine solche Technologie ist das Quantencomputing.Noch sind Quantencomputer selten, schwer zugänglich und in vielen Anwendungen langsamer als klassische Computer. Gleichzeitig versprechen Quantencomputer aufgrund ihrer besonderen Eigenschaften große Vorteile: der Fähigkeiten, viele Zustände gleichzeitig zu repräsentieren (Superposition), und Qubits zu einem zusammenhängenden Gesamtzustand zu verknüpfen, sodass sie nicht mehr als unabhängig voneinander betrachtet werden können (Verschränkung). Herauszufinden, wo diese Eigenschaften vorteilhaft genutzt werden können, ist ein neues und aktives Forschungsfeld.

Am MPI für Informatik untersucht die Forschungsgruppe „4D Quantum Computer Vision“ unter Leitung von Dr. Vladislav Golyanik, ob und wie das Quantencomputing die computergestützte Bildverarbeitung, genauer das Visual Computing und die 3D Computer Vision, voranbringen könnte. „Dazu suchen wir einerseits nach alternativen ‚Quanten-Lösungswegen‘ für bereits bekannte Probleme. Darüber hinaus aber natürlich auch nach völlig neuen Forschungsfragen, die durch das Quantencomputing überhaupt erst ermöglicht werden“, erklärt Vladislav Golyanik. Das Ziel ist hoch gesteckt: Zum Beispiel will das Team in Zukunft beliebige Szenen der realen Welt aus wenigen aufgezeichneten Bilddaten im Computer fotorealistisch und aus neuen Blickwinkeln rekonstruieren – selbst dann, wenn sich Objekte in der Szene bewegen oder verformen. Solche Aufgaben sind extrem rechenintensiv, sodass selbst moderne Hochleistungsrechner an ihre Grenzen kommen.

Aktuell arbeitet die Gruppe deshalb an sogenannten „Quantum Neural Networks (QNNs)“. Dabei werden Quantenschaltkreise, die meist auf klassischer Hardware simuliert werden, wie beim klassischen Maschinellen Lernen als trainierbare Modelle aufgefasst und mithilfe datengetriebener Trainings- und Optimierungsmethoden angepasst.

In einer kürzlich veröffentlichten Arbeit mit dem Titel „Quantum Visual Fields with Neural Amplitude Encoding“, die im Dezember 2025 auf der Conference on Neural Information Processing Systems (NeurIPS) vorgestellt wurde, präsentierte das Team bestehend aus dem Doktoranden Shuteng Wang, Dr. Vladislav Golyanik und Professor Christian Theobalt, wissenschaftlicher Direktor der Abteilung „Visual Computing and Artificial Intelligence“ am MPI für Informatik, eine Methode, um Bilddaten so aufzubereiten, dass QNNs sie besser verarbeiten können. Dazu entwickelten die Forscher erstmals ein hybrides Modell, das ein klassisches Neuronales Netz mit einem QNN kombiniert, um Eingangssignale in 2D oder 3D sowie Sammlungen solcher Signale zu kodieren.

Auf dieser Grundlage entstand das Folgeprojekt „QNeRF: Neural Radiance Fields on a Simulated Gate-based Quantum Computer“, das gemeinsam mit Partnern der Universität Udine und der Universität Neapel Federico II durchgeführt wurde. Die Forschenden entwickelten darin ein Hybridmodell zum „Novel-Viewpoint Rendering“, also zur Synthese neuer Blickwinkel auf Objekte oder Szenen, die nicht in den Ausgangsdaten enthalten waren. In Experimenten erzielte das neue Modell an der etablierten PSNR-Metrik vergleichbare bis bessere Qualität als frühere Ansätze, bei weniger als der Hälfte der benötigten Netzwerkparameter und in weniger Trainingsschritten. „Für unsere Tests haben wir die Quantenschaltkreise auf klassischer Hardware simuliert. Dadurch war die absolute Trainingszeit zwar höher, aber wir konnten die Anzahl der Trainingsschritte reduzieren, was künftig auf ‚echter‘ Quantenhardware auf eine kürzere Trainingszeit hindeuten könnte“, erklärt Golyanik. „QNeRF“ ist derzeit als Preprint öffentlich zugänglich.

Die Arbeit der Forschungsgruppe „4D Quantum Computer Vision“ wird zusätzlich von der Deutschen Forschungsgemeinschaft (DFG) über das Projekt „Angewandtes Quantum Computing für maschinelles Sehen“ gefördert.

Professor Christian Theobalt sagt: „Quantencomputing ist für uns eine Wette auf die Zukunft, ein ‚High-Risk-High-Gain‘-Ansatz: Wir wollen früh verstehen, welche Grundprinzipien des Quantencomputings wirklich nützlich sein könnten, um wissenschaftlich und technologisch bereit zu sein, wenn Quantenressourcen breiter verfügbar werden.“

Langfristig könnte die Fähigkeit, komplexe Szenen effizienter zu rekonstruieren, Anwendungen in Bereichen wie Robotik, Produktion, Medizin oder Film und Visual Effects unterstützen: überall dort, wo Computer aus Kameraaufnahmen verlässliche 3D-Informationen gewinnen und neue Blickwinkel berechnen müssen.

Originalpublikationen:

Shuteng Wang, Christian Theobalt, and Vladislav Golyanik. “Quantum Visual Fields with Neural Amplitude Encoding.” Neural Information Processing Systems (NeurIPS), 2025.
Projektseite: https://4dqv.mpi-inf.mpg.de/QVF/

Daniele Lizzio Bosco, Shuteng Wang, Giuseppe Serra, and Vladislav Golyanik. “QNeRF: Neural Radiance Fields on a Simulated Gate-based Quantum Computer.” arXiv preprint arXiv:2601.05250, 2026.
Projektseite: https://4dqv.mpi-inf.mpg.de/QNeRF/

Weitere Informationen:

Website der Forschungsgruppe „4D Quantum Computer Vision“: https://4dqv.mpi-inf.mpg.de/

DFG-Projekt “Angewandtes Quantum Computing für maschinelles Sehen”: https://gepris.dfg.de/gepris/projekt/534951134

Wissenschaftlicher Ansprechpartner:
Dr. Vladislav Golyanik
Forschungsgruppenleiter, Max-Planck-Institut für Informatik
E-Mail: golyanik@mpi-inf.mpg.de

Prof. Dr. Christian Theobalt
Wissenschaftlicher Direktor, Max-Planck-Institut für Informatik

Redaktion und Pressekontakt:
Philipp Zapf-Schramm
Max-Planck-Institut für Informatik
Tel: +49 681 9325 4509
E-Mail: pzs@mpi-inf.mpg.de