論文の概要: Probabilistic Super-Resolution for Urban Micrometeorology via a Schrödinger Bridge

• arxiv url: http://arxiv.org/abs/2510.12148v1
• Date: Tue, 14 Oct 2025 05:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.192206
• Title: Probabilistic Super-Resolution for Urban Micrometeorology via a Schrödinger Bridge
• Title（参考訳）: シュレーディンガー橋による都市微小気象の確率論的超解法
• Authors: Yuki Yasuda, Ryo Onishi,
• Abstract要約: 本研究では,都市部における2m温度の超解像を実現するために,Schr"odinger橋問題に対する解を求めるニューラルネットワークを用いた。
• 参考スコア（独自算出の注目度）: 0.021485350418225243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study employs a neural network that represents the solution to a Schr\"odinger bridge problem to perform super-resolution of 2-m temperature in an urban area. Schr\"odinger bridges generally describe transformations between two data distributions based on diffusion processes. We use a specific Schr\"odinger-bridge model (SM) that directly transforms low-resolution data into high-resolution data, unlike denoising diffusion probabilistic models (simply, diffusion models; DMs) that generate high-resolution data from Gaussian noise. Low-resolution and high-resolution data were obtained from separate numerical simulations with a physics-based model under common initial and boundary conditions. Compared with a DM, the SM attains comparable accuracy at one-fifth the computational cost, requiring 50 neural-network evaluations per datum for the DM and only 10 for the SM. Furthermore, high-resolution samples generated by the SM exhibit larger variance, implying superior uncertainty quantification relative to the DM. Owing to the reduced computational cost of the SM, our results suggest the feasibility of real-time ensemble micrometeorological prediction using SM-based super-resolution.
• Abstract（参考訳）: 本研究では,都市部における2m温度の超解像を実現するために,Schr\「オーディンガー橋問題」の解を求めるニューラルネットワークを用いる。 Schr\"odinger Bridges は一般的に拡散過程に基づく2つのデータ分布間の変換を記述する。 ガウス雑音から高分解能データを生成する拡散確率モデル(単純な拡散モデル、DM)とは異なり、低分解能データを直接高分解能データに変換する特定のSchr\"odinger-bridge Model (SM) を用いる。 低分解能・高分解能なデータは、物理モデルを用いた別の数値シミュレーションから、共通初期および境界条件下で得られた。 DMと比較して、SMは計算コストの5分の1で同等の精度を達成し、DMでは1ダタムあたり50の神経ネットワーク評価とSMでは10の精度しか必要としなかった。 さらに、SMにより生成された高分解能試料は、大きなばらつきを示し、DMに対して優れた不確実性定量化を示す。 SMの計算コストの削減により,SMに基づく超解像を用いたリアルタイムアンサンブルマイクロ気象予測の可能性が示唆された。

関連論文リスト

• Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
  ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。 我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。 この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。 提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:24:14Z)
• Stochastic Flow Matching for Resolving Small-Scale Physics [28.25905372253442]
  気象などの物理科学では、超解答の小さな詳細が大きな課題となっている。 入力を潜在基底分布に符号化し、次いでフローマッチングを行い、小規模物理を生成する。 我々は現実世界のCWA気象データセットとPDEベースのコルモゴロフ気象データセットの両方について広範な実験を行った。
  論文  参考訳（メタデータ） (2024-10-17T21:09:13Z)
• Flow matching achieves almost minimax optimal convergence [50.38891696297888]
  フローマッチング (FM) は, シミュレーションのない生成モデルとして注目されている。 本稿では,大試料径のFMの収束特性を$p$-Wasserstein 距離で論じる。 我々は、FMが1leq p leq 2$でほぼ最小の収束率を達成できることを確立し、FMが拡散モデルに匹敵する収束率に達するという最初の理論的証拠を示す。
  論文  参考訳（メタデータ） (2024-05-31T14:54:51Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• PSRFlow: Probabilistic Super Resolution with Flow-Based Models for Scientific Data [11.15523311079383]
  PSRFlowは、科学データ超解像のための新しい正規化フローベース生成モデルである。 以上の結果から,既存の手法と比較して,優れた性能とロバストな不確実性定量化が得られた。
  論文  参考訳（メタデータ） (2023-08-08T22:10:29Z)
• Exploring the Optimal Choice for Generative Processes in Diffusion Models: Ordinary vs Stochastic Differential Equations [6.2284442126065525]
  ゼロ拡散(ODE)の場合と大きな拡散の場合の2つの制限シナリオについて数学的に検討する。 その結果, 生成過程の終端に摂動が発生すると, ODEモデルは大きな拡散係数でSDEモデルより優れることがわかった。
  論文  参考訳（メタデータ） (2023-06-03T09:27:15Z)
• 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)
• Marginalizable Density Models [14.50261153230204]
  本稿では,変数の任意の部分集合の確率,限界,条件に対するクローズドフォーム表現を提供する,新しいディープネットワークアーキテクチャを提案する。 このモデルはまた、変数数に時間複雑性の対数依存しか依存しない並列サンプリングを可能にする。
  論文  参考訳（メタデータ） (2021-06-08T23:54:48Z)

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。