論文の概要: Wasserstein GAN-Based Precipitation Downscaling with Optimal Transport for Enhancing Perceptual Realism
- arxiv url: http://arxiv.org/abs/2507.17798v1
- Date: Wed, 23 Jul 2025 15:29:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-25 15:10:42.320981
- Title: Wasserstein GAN-Based Precipitation Downscaling with Optimal Transport for Enhancing Perceptual Realism
- Title（参考訳）: Wasserstein GANを用いた最適輸送による降水ダウンスケーリングによる知覚リアリズムの促進
- Authors: Kenta Shiraishi, Yuka Muto, Atsushi Okazaki, Shunji Kotsuki,
- Abstract要約: 本研究では,Wasserstein Generative Adversarial Network (WGAN) を用いて,最適な輸送コストで降水ダウンスケーリングを行う。
平均二乗誤差で訓練された従来のニューラルネットワークとは対照的に、WGANは微細な構造を持つ視覚的に現実的な降水場を生成した。
ケースベース分析により、批判スコアの大きな相違は、参照データ内の非現実的なWGAN出力と潜在的アーティファクトの両方を識別するのに役立つことが明らかになった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-resolution (HR) precipitation prediction is essential for reducing damage from stationary and localized heavy rainfall; however, HR precipitation forecasts using process-driven numerical weather prediction models remains challenging. This study proposes using Wasserstein Generative Adversarial Network (WGAN) to perform precipitation downscaling with an optimal transport cost. In contrast to a conventional neural network trained with mean squared error, the WGAN generated visually realistic precipitation fields with fine-scale structures even though the WGAN exhibited slightly lower performance on conventional evaluation metrics. The learned critic of WGAN correlated well with human perceptual realism. Case-based analysis revealed that large discrepancies in critic scores can help identify both unrealistic WGAN outputs and potential artifacts in the reference data. These findings suggest that the WGAN framework not only improves perceptual realism in precipitation downscaling but also offers a new perspective for evaluating and quality-controlling precipitation datasets.
- Abstract（参考訳）: 高分解能 (HR) 降水予測は, 定常豪雨や局部豪雨による被害の低減に不可欠であるが, プロセス駆動型数値気象予測モデルを用いたHR降水予測は依然として困難である。
本研究では,Wasserstein Generative Adversarial Network (WGAN) を用いて,最適な輸送コストで降水ダウンスケーリングを行う。
平均二乗誤差をトレーニングした従来のニューラルネットワークとは対照的に、WGANは従来の評価基準に対してわずかに低い性能を示したにもかかわらず、微細な構造を持つ視覚的に現実的な降水場を生成した。
WGANの学習的批判は人間の知覚的リアリズムとよく相関していた。
ケースベース分析により、批判スコアの大きな相違は、参照データ内の非現実的なWGAN出力と潜在的アーティファクトの両方を識別するのに役立つことが明らかになった。
これらの結果から,WGANフレームワークは降水量ダウンスケールにおける知覚的リアリズムを改善するだけでなく,降水量データセットの評価と品質制御のための新たな視点を提供する可能性が示唆された。
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) - The Merit of River Network Topology for Neural Flood Forecasting [3.731618046702812]
気候変動は河川の洪水を悪化させ、その頻度と強度はかつてないほど高くなる。
予測システムは通常、正確な川の排出予測に依存している。
河川ネットワークの既知のトポロジを予測モデルに組み込むことで,ゲージ間の隣接関係を活用できる可能性がある。
論文 参考訳（メタデータ） (2024-05-30T08:45:45Z) - CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳（メタデータ） (2024-02-06T08:30:47Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳（メタデータ） (2024-01-28T13:23:25Z) - 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) - Unmasking Bias in Diffusion Model Training [40.90066994983719]
拡散モデルが画像生成の主流のアプローチとして登場した。
トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。
本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
論文 参考訳（メタデータ） (2023-10-12T16:04:41Z) - 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) - Towards replacing precipitation ensemble predictions systems using
machine learning [0.0]
本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。
本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。
本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
論文 参考訳（メタデータ） (2023-04-20T12:20:35Z) - 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) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳（メタデータ） (2020-08-20T17:27:59Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳（メタデータ） (2020-08-08T18:56:51Z)
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。