論文の概要: Generate the Forest before the Trees -- A Hierarchical Diffusion model for Climate Downscaling

• arxiv url: http://arxiv.org/abs/2506.19391v2
• Date: Thu, 26 Jun 2025 06:39:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 13:31:57.742435
• Title: Generate the Forest before the Trees -- A Hierarchical Diffusion model for Climate Downscaling
• Title（参考訳）: 樹木に先立つ森林の生成 -気候下降の階層的拡散モデル-
• Authors: Declan J. Curran, Sanaa Hobeichi, Hira Saleem, Hao Xue, Flora D. Salim,
• Abstract要約: ダウンスケーリングは、地域計画に必要な高解像度の気候データを生成するのに不可欠であるが、従来の手法は計算的に要求されるままである。 拡散フレームワークに容易に拡張可能な階層的サンプリングプロセスを導入する階層的拡散ダウンスケーリング(HDD)モデルを導入する。 HDDはERA5の再解析データセットとCMIP6モデル上での競合精度を実現し、競合する結果の最大半分のピクセルで実行することで計算負荷を大幅に削減する。
• 参考スコア（独自算出の注目度）: 7.499634046186994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Downscaling is essential for generating the high-resolution climate data needed for local planning, but traditional methods remain computationally demanding. Recent years have seen impressive results from AI downscaling models, particularly diffusion models, which have attracted attention due to their ability to generate ensembles and overcome the smoothing problem common in other AI methods. However, these models typically remain computationally intensive. We introduce a Hierarchical Diffusion Downscaling (HDD) model, which introduces an easily-extensible hierarchical sampling process to the diffusion framework. A coarse-to-fine hierarchy is imposed via a simple downsampling scheme. HDD achieves competitive accuracy on ERA5 reanalysis datasets and CMIP6 models, significantly reducing computational load by running on up to half as many pixels with competitive results. Additionally, a single model trained at 0.25{\deg} resolution transfers seamlessly across multiple CMIP6 models with much coarser resolution. HDD thus offers a lightweight alternative for probabilistic climate downscaling, facilitating affordable large-ensemble high-resolution climate projections. See a full code implementation at: https://github.com/HDD-Hierarchical-Diffusion-Downscaling/HDD-Hierarchical-Diffusion-Downscaling.
• Abstract（参考訳）: ダウンスケーリングは、地域計画に必要な高解像度の気候データを生成するのに不可欠であるが、従来の手法は計算的に要求されるままである。 近年、AIのダウンスケーリングモデル、特に拡散モデルは、アンサンブルを生成し、他のAI手法に共通する滑らかな問題を克服する能力によって注目を集めている。 しかし、これらのモデルは一般に計算集約的である。 拡散フレームワークに容易に拡張可能な階層的サンプリングプロセスを導入する階層的拡散ダウンスケーリング(HDD)モデルを導入する。 粗大から粗大の階層は、単純なダウンサンプリングスキームによって課される。 HDDはERA5の再解析データセットとCMIP6モデル上での競合精度を実現し、競合する結果の最大半分のピクセルで実行することで計算負荷を大幅に削減する。 さらに、0.25{\deg}解像度で訓練された単一のモデルは、より粗い解像度で複数のCMIP6モデル間でシームレスに転送される。 したがって、HDDは確率的気候下降の軽量な代替手段を提供し、安価で大規模な高解像度の気候予測を促進する。 https://github.com/HDD-Hierarchical-Diffusion-Downscaling/HDD-Hierarchical-Diffusion-Downscaling。

関連論文リスト

• RainScaleGAN: a Conditional Generative Adversarial Network for Rainfall Downscaling [0.0]
  降水ダウンスケーリングのための条件付き深層畳み込み生成適応ネットワーク(GAN)であるRainScaleGANを紹介する。 RainScaleGANの機能は、降水データセットの空間解像度を人工的に劣化させる完全モデル設定でテストされる。 開発したモデルでは,本研究で確認された降水量減少手法の1つに優れていた。
  論文  参考訳（メタデータ） (2025-03-17T15:54:20Z)
• Generative Adversarial Models for Extreme Geospatial Downscaling [0.0]
  本稿では,非常に高いスケーリング係数に対応可能な条件付きGANに基づく地理空間ダウンスケーリング手法について述べる。 この手法は、既存の手法では無視されがちなダウンスケーリングプロセスに固有の不確実性を明確に考慮する。 1つの決定論的結果ではなく、多量の高分解能サンプルを生成する。
  論文  参考訳（メタデータ） (2024-02-21T18:25:04Z)
• Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
  この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。 決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。 カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
  論文  参考訳（メタデータ） (2023-12-11T02:38:07Z)
• Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference [60.32804641276217]
  本稿では,LCM(Latent Consistency Models)を提案する。 高品質の768 x 768 24-step LCMは、トレーニングに32A100 GPU時間しかかからない。 また,画像データセットの微調整に適した新しいLCM法であるLCF(Latent Consistency Fine-tuning)についても紹介する。
  論文  参考訳（メタデータ） (2023-10-06T17:11:58Z)
• 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)
• Fourier Neural Operators for Arbitrary Resolution Climate Data Downscaling [16.890326773246414]
  本稿では,フーリエニューラル演算子に基づくダウンスケーリング手法を提案する。 提案手法は, 最先端の畳み込みモデルおよび生成的対向性ダウンスケーリングモデルより有意に優れていることを示す。 全体として、我々の研究は物理過程のシミュレーションと低解像度出力のギャップを埋める。
  論文  参考訳（メタデータ） (2023-05-23T18:25:08Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)

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。