論文の概要: Efficient Kilometer-Scale Precipitation Downscaling with Conditional Wavelet Diffusion
- arxiv url: http://arxiv.org/abs/2507.01354v1
- Date: Wed, 02 Jul 2025 04:46:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:23:00.049
- Title: Efficient Kilometer-Scale Precipitation Downscaling with Conditional Wavelet Diffusion
- Title（参考訳）: 条件付きウェーブレット拡散による高効率キルメータスケール降雨ダウンスケーリング
- Authors: Chugang Yi, Minghan Yu, Weikang Qian, Yixin Wen, Haizhao Yang,
- Abstract要約: 本稿では,10倍の空間超解像を実現する生成フレームワークであるウェーブレット拡散モデル(WDM)を提案する。
WDMは,ウェーブレット領域で直接MRMSレーダデータから降水の複雑な構造を学習する条件拡散モデルである。
高周波ウェーブレット係数に着目して、非常に現実的で詳細な1kmの降水場を生成する。
- 参考スコア（独自算出の注目度）: 7.082035301832189
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective hydrological modeling and extreme weather analysis demand precipitation data at a kilometer-scale resolution, which is significantly finer than the 10 km scale offered by standard global products like IMERG. To address this, we propose the Wavelet Diffusion Model (WDM), a generative framework that achieves 10x spatial super-resolution (downscaling to 1 km) and delivers a 9x inference speedup over pixel-based diffusion models. WDM is a conditional diffusion model that learns the learns the complex structure of precipitation from MRMS radar data directly in the wavelet domain. By focusing on high-frequency wavelet coefficients, it generates exceptionally realistic and detailed 1-km precipitation fields. This wavelet-based approach produces visually superior results with fewer artifacts than pixel-space models, and delivers a significant gains in sampling efficiency. Our results demonstrate that WDM provides a robust solution to the dual challenges of accuracy and speed in geoscience super-resolution, paving the way for more reliable hydrological forecasts.
- Abstract（参考訳）: 効果的な水文学モデリングと極端気象解析は、IMERGのような標準的なグローバル製品が提供する10kmスケールよりもはるかに微細な、キロメートルスケールの降水データを要求する。
これを解決するために,WDM(Wavelet Diffusion Model)を提案する。WDMは10倍の空間超解像(1kmまでダウンスケール)を達成し,画素ベースの拡散モデルに対して9倍の速度アップを提供する。
WDMは,ウェーブレット領域で直接MRMSレーダデータから降水の複雑な構造を学習する条件拡散モデルである。
高周波ウェーブレット係数に着目して、非常に現実的で詳細な1kmの降水場を生成する。
このウェーブレットベースのアプローチは、ピクセル空間モデルよりも少ないアーティファクトで視覚的に優れた結果をもたらし、サンプリング効率を大幅に向上させる。
以上の結果から,WDMは地球科学の超解法における精度と速度という2つの課題に対する堅牢な解であり,より信頼性の高い水文学予測の道を開くことが示唆された。
関連論文リスト
- TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。
具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。
従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
論文 参考訳（メタデータ） (2025-04-16T05:25:04Z) - 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) - Data-driven Super-Resolution of Flood Inundation Maps using Synthetic Simulations [8.52854374818894]
物理シミュレーションにより得られた高品質な合成データを用いてモデルを訓練する。
アイオワ州の洪水イベントから得られた実世界のデータに基づいて,我々のモデルを評価した。
論文 参考訳（メタデータ） (2025-02-14T23:16:39Z) - TAUDiff: Highly efficient kilometer-scale downscaling using generative diffusion models [0.0]
急激なターンアラウンド、ダイナミックな一貫性、極端な気象イベントの正確な時間的回復を達成することが不可欠である。
本稿では, 平均フィールドダウンスケーリングにおける決定論的時間モデルと, より小さな生成的拡散モデルを組み合わせて, 微細な特徴を再現する効率的な拡散モデルTAUDiffを提案する。
当社のアプローチは、関連するリスクや経済損失を見積もるために必要となる極端な事象を、より迅速にシミュレーションすることができる。
論文 参考訳（メタデータ） (2024-12-18T09:05:19Z) - Downscaling Extreme Precipitation with Wasserstein Regularized Diffusion [18.008592164636664]
レーダーとメソネットのネットワークはキロメートル規模の降水場を提供しているが、歴史記録や地理的範囲は限られている。
この研究は、分散マッチング正規化器と拡散モデリングを統合する生成的なダウンスケーリングフレームワーク、Wasserstein Regularized Diffusion (WassDiff)を導入している。
降水量は1kmと見積もられ、極端を含む全強度範囲の目標に対してうまく調整されている。
論文 参考訳（メタデータ） (2024-10-01T04:12:40Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T03:08:28Z) - WaveDM: Wavelet-Based Diffusion Models for Image Restoration [43.254438752311714]
Wavelet-based Diffusion Model (WaveDM) は、ウェーブレット変換後の劣化画像のウェーブレットスペクトルに条件付きウェーブレット領域におけるクリーン画像の分布を学習する。
WaveDMは、従来のワンパス手法に匹敵する効率で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-05-23T08:41:04Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。
ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。
数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文 参考訳（メタデータ） (2020-06-15T23:00:08Z)
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。