論文の概要: Stochastic Super-Resolution for Downscaling Time-Evolving Atmospheric
Fields with a Generative Adversarial Network
- arxiv url: http://arxiv.org/abs/2005.10374v4
- Date: Mon, 19 Oct 2020 14:28:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 05:12:34.737108
- Title: Stochastic Super-Resolution for Downscaling Time-Evolving Atmospheric
Fields with a Generative Adversarial Network
- Title（参考訳）: 逆数生成ネットワークを用いた時空間のダウンスケーリングのための確率的超解法
- Authors: Jussi Leinonen, Daniele Nerini, Alexis Berne
- Abstract要約: 我々は、同じフィールドの低解像度画像列からなる入力に対して、時間進化する高分解能大気圧のアンサンブルを生成することができる、繰り返し発生する超高分解能GANを導入する。
GANは、両方のデータセットに対して、現実的で、時間的に一貫した超分解能シーケンスを生成することができる。
GANジェネレータは完全に畳み込み型であるため、訓練後にトレーニングに使用する画像よりも大きな画像を入力することができる。
- 参考スコア（独自算出の注目度）: 1.933681537640272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative adversarial networks (GANs) have been recently adopted for
super-resolution, an application closely related to what is referred to as
"downscaling" in the atmospheric sciences: improving the spatial resolution of
low-resolution images. The ability of conditional GANs to generate an ensemble
of solutions for a given input lends itself naturally to stochastic
downscaling, but the stochastic nature of GANs is not usually considered in
super-resolution applications. Here, we introduce a recurrent, stochastic
super-resolution GAN that can generate ensembles of time-evolving
high-resolution atmospheric fields for an input consisting of a low-resolution
sequence of images of the same field. We test the GAN using two datasets, one
consisting of radar-measured precipitation from Switzerland, the other of cloud
optical thickness derived from the Geostationary Earth Observing Satellite 16
(GOES-16). We find that the GAN can generate realistic, temporally consistent
super-resolution sequences for both datasets. The statistical properties of the
generated ensemble are analyzed using rank statistics, a method adapted from
ensemble weather forecasting; these analyses indicate that the GAN produces
close to the correct amount of variability in its outputs. As the GAN generator
is fully convolutional, it can be applied after training to input images larger
than the images used to train it. It is also able to generate time series much
longer than the training sequences, as demonstrated by applying the generator
to a three-month dataset of the precipitation radar data. The source code to
our GAN is available at https://github.com/jleinonen/downscaling-rnn-gan.
- Abstract（参考訳）: GAN(Generative Adversarial Network)は、大気科学において「ダウンスケーリング(downscaling)」と呼ばれる、低解像度画像の空間分解能を改善するアプリケーションである。
条件付き GAN が与えられた入力に対する解の集合を生成する能力は、それ自体が確率的なダウンスケーリングに自然に寄与するが、GAN の確率的性質は、通常超解法では考慮されない。
本稿では,同じフィールドの画像の低分解能シーケンスからなる入力に対して,時間進化する高分解能大気圧のアンサンブルを生成できる,連続的確率的超解像GANを提案する。
静止地球観測衛星16(goes-16)から得られた雲の光学的厚さの2つのデータセットを用いてganをテストした。
GANは、両方のデータセットに対して、現実的で時間的に一貫した超分解能シーケンスを生成することができる。
アンサンブルの統計特性は, アンサンブルの天気予報に適応した手法であるランク統計を用いて解析され, これらの分析結果から, GANはその出力の正確な変動量に近いことが示唆された。
GANジェネレータは完全に畳み込み型であるため、訓練後にトレーニングに使用する画像よりも大きな画像を入力することができる。
また、降水レーダデータの3ヶ月のデータセットにジェネレータを適用することで示されるように、トレーニングシーケンスよりもはるかに長い時系列を生成することもできる。
私たちのganのソースコードはhttps://github.com/jleinonen/downscaling-rnn-ganで閲覧できます。
関連論文リスト
- FFEINR: Flow Feature-Enhanced Implicit Neural Representation for
Spatio-temporal Super-Resolution [4.577685231084759]
本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。
モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。
FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
論文 参考訳（メタデータ） (2023-08-24T02:28:18Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳（メタデータ） (2023-07-17T07:12:29Z) - LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral
Image Generation with Variance Regularization [72.4394510913927]
ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。
GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。
この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。
本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
論文 参考訳（メタデータ） (2023-04-29T00:25:02Z) - FunkNN: Neural Interpolation for Functional Generation [23.964801524703052]
FunkNNは任意の座標で連続した画像を再構成することを学び、任意の画像データセットに適用できる新しい畳み込みネットワークである。
FunkNNは、高品質な連続画像を生成し、パッチベースの設計により、配信性能が優れていることを示す。
論文 参考訳（メタデータ） (2022-12-20T16:37:20Z) - A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。
GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文 参考訳（メタデータ） (2022-04-05T07:19:42Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳（メタデータ） (2022-02-23T18:57:53Z) - InfinityGAN: Towards Infinite-Resolution Image Synthesis [92.40782797030977]
任意の解像度画像を生成するinfinityganを提案する。
少ない計算資源でパッチバイパッチをシームレスに訓練し、推論する方法を示す。
論文 参考訳（メタデータ） (2021-04-08T17:59:30Z) - GANs with Variational Entropy Regularizers: Applications in Mitigating
the Mode-Collapse Issue [95.23775347605923]
深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。
GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。
情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
論文 参考訳（メタデータ） (2020-09-24T19:34:37Z) - Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。
実際には、意味情報はデータから学んだ潜在的な分布によって表現される。
ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
論文 参考訳（メタデータ） (2020-07-28T09:17:50Z) - Optimizing Generative Adversarial Networks for Image Super Resolution
via Latent Space Regularization [4.529132742139768]
GAN(Generative Adversarial Networks)は、多様体内の実画像の分布を学習し、実際のように見えるサンプルを生成する。
本稿では,これらの問題を教師付きGANに対して緩和する方法を探究する。
論文 参考訳（メタデータ） (2020-01-22T16:27:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。