論文の概要: Guided Unconditional and Conditional Generative Models for Super-Resolution and Inference of Quasi-Geostrophic Turbulence

• arxiv url: http://arxiv.org/abs/2507.00719v1
• Date: Tue, 01 Jul 2025 12:59:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.631955
• Title: Guided Unconditional and Conditional Generative Models for Super-Resolution and Inference of Quasi-Geostrophic Turbulence
• Title（参考訳）: 準地磁気乱流の超解法と推定のための非条件・条件生成モデル
• Authors: Anantha Narayanan Suresh Babu, Akhil Sadam, Pierre F. J. Lermusiaux,
• Abstract要約: ベータ平面上での準破壊乱流の超解像と推定に4つの生成拡散モデリング手法を適用した。 そこで本研究では, 渦流と異方性噴流の乱流, レイノルズ数103, 104, および4x粗解場と粗度, 粗度, 粗度, 粗度, 間隙の2つの試験例について検討した。 SDEditは非物理的フィールドを生成するのに対し、DPSは計算コストが低いがスムーズな微細な特徴を持つ合理的な再構成を生成する。
• 参考スコア（独自算出の注目度）: 0.44241702149260353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Typically, numerical simulations of the ocean, weather, and climate are coarse, and observations are sparse and gappy. In this work, we apply four generative diffusion modeling approaches to super-resolution and inference of forced two-dimensional quasi-geostrophic turbulence on the beta-plane from coarse, sparse, and gappy observations. Two guided approaches minimally adapt a pre-trained unconditional model: SDEdit modifies the initial condition, and Diffusion Posterior Sampling (DPS) modifies the reverse diffusion process score. The other two conditional approaches, a vanilla variant and classifier-free guidance, require training with paired high-resolution and observation data. We consider eight test cases spanning: two regimes, eddy and anisotropic-jet turbulence; two Reynolds numbers, 10^3 and 10^4; and two observation types, 4x coarse-resolution fields and coarse, sparse and gappy observations. Our comprehensive skill metrics include norms of the reconstructed vorticity fields, turbulence statistical quantities, and quantification of the super-resolved probabilistic ensembles and their errors. We also study the sensitivity to tuning parameters such as guidance strength. Results show that SDEdit generates unphysical fields, while DPS generates reasonable reconstructions at low computational cost but with smoothed fine-scale features. Both conditional approaches require re-training, but they reconstruct missing fine-scale features, are cycle-consistent with observations, and possess the correct statistics such as energy spectra. Further, their mean model errors are highly correlated with and predictable from their ensemble standard deviations. Results highlight the trade-offs between ease of implementation, fidelity (sharpness), and cycle-consistency of the diffusion models, and offer practical guidance for deployment in geophysical inverse problems.
• Abstract（参考訳）: 通常、海、天気、気候の数値シミュレーションは粗く、観測はまばらでばらばらである。 本研究では, 粗面, スパース, ギャップピー観測によるβ面上の2次元準破壊乱流の超解像と推定に, 4つの生成拡散モデル手法を適用した。 SDEditは初期条件を変更し、拡散後サンプリング(DPS)は逆拡散過程のスコアを変更する。 他の2つの条件付きアプローチは、バニラ変種と分類器なし誘導であり、ペアの高分解能および観測データによるトレーニングを必要とする。 本研究では, 渦状および異方性噴流乱流, レイノルズ数10^3, および10^4, および4x粗解場と粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, 粗度, の8つの試験例を検討した。 我々の総合的なスキルメトリクスには、再構成された渦のノルム、乱流統計量、超可解確率アンサンブルとその誤差の定量化が含まれる。 また,指導力などの調整パラメータに対する感度について検討した。 SDEditは非物理的フィールドを生成するのに対し、DPSは計算コストが低いがスムーズな微細な特徴を持つ合理的な再構成を生成する。 両方の条件付きアプローチは再訓練を必要とするが、それらは欠落した微細な特徴を再構築し、観測とサイクル整合性を持ち、エネルギースペクトルのような正確な統計を持つ。 さらに、それらの平均モデル誤差は、アンサンブル標準偏差から非常に相関し、予測可能である。 結果は、実装の容易さ、忠実さ(シャープ性)、拡散モデルのサイクル整合性の間のトレードオフを強調し、地球物理学的逆問題への展開のための実践的なガイダンスを提供する。

関連論文リスト

• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
  拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。 遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
  論文  参考訳（メタデータ） (2024-06-21T01:32:03Z)
• Understanding Pathologies of Deep Heteroskedastic Regression [25.509884677111344]
  ヘテロスケダスティックモデルは各データポイントの平均ノイズと残留ノイズの両方を予測する。 極端に言えば、これらのモデルはすべてのトレーニングデータを完璧に適合させ、残音を完全に排除する。 他方では、一定で非形式的な平均を予測しながら残音を過度に補正する。 中間地盤の欠如を観察し, モデル正則化強度に依存する相転移を示唆した。
  論文  参考訳（メタデータ） (2023-06-29T06:31:27Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)

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。