論文の概要: FlowCast: Advancing Precipitation Nowcasting with Conditional Flow Matching

• arxiv url: http://arxiv.org/abs/2511.09731v1
• Date: Fri, 14 Nov 2025 01:06:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.447148
• Title: FlowCast: Advancing Precipitation Nowcasting with Conditional Flow Matching
• Title（参考訳）: FlowCast: 条件付きフローマッチングによる降水予測の改善
• Authors: Bernardo Perrone Ribeiro, Jana Faganeli Pucer,
• Abstract要約: 本研究では,コンディショナルフローマッチング(CFM)を降水処理に適用する最初のモデルであるFlowCastを紹介する。 拡散とは異なり、CFMは直接ノイズ・ツー・データマッピングを学習し、機能評価が大幅に少ない高速かつ高忠実なサンプル生成を可能にする。 実験の結果,FlowCastは予測精度で新たな最先端技術を確立していることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radar-based precipitation nowcasting, the task of forecasting short-term precipitation fields from previous radar images, is a critical problem for flood risk management and decision-making. While deep learning has substantially advanced this field, two challenges remain fundamental: the uncertainty of atmospheric dynamics and the efficient modeling of high-dimensional data. Diffusion models have shown strong promise by producing sharp, reliable forecasts, but their iterative sampling process is computationally prohibitive for time-critical applications. We introduce FlowCast, the first model to apply Conditional Flow Matching (CFM) to precipitation nowcasting. Unlike diffusion, CFM learns a direct noise-to-data mapping, enabling rapid, high-fidelity sample generation with drastically fewer function evaluations. Our experiments demonstrate that FlowCast establishes a new state-of-the-art in predictive accuracy. A direct comparison further reveals the CFM objective is both more accurate and significantly more efficient than a diffusion objective on the same architecture, maintaining high performance with significantly fewer sampling steps. This work positions CFM as a powerful and practical alternative for high-dimensional spatiotemporal forecasting.
• Abstract（参考訳）: レーダによる降水は今,過去のレーダ画像から短期降水量の予測を行う作業であり,洪水リスク管理や意思決定において重要な課題である。 深層学習はこの分野で大きく進歩してきたが、大気力学の不確実性と高次元データの効率的なモデリングという2つの課題が依然として根底にある。 拡散モデルは、シャープで信頼性の高い予測を生成することで強い可能性を示してきたが、その反復的なサンプリングプロセスは、時間クリティカルなアプリケーションでは計算的に禁止されている。 本研究では,コンディショナルフローマッチング(CFM)を降水処理に適用する最初のモデルであるFlowCastを紹介する。 拡散とは異なり、CFMは直接ノイズ・ツー・データマッピングを学習し、機能評価が大幅に少ない高速かつ高忠実なサンプル生成を可能にする。 実験の結果,FlowCastは予測精度で新たな最先端技術を確立していることがわかった。 直接比較により、CFMの目的は同じアーキテクチャ上の拡散目標よりも正確かつはるかに効率が良く、サンプリングステップが著しく少ない高い性能を維持していることが明らかになった。 この研究は、CFMを高次元時空間予測の強力で実用的な代替品と位置づけている。

関連論文リスト

• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Precipitation Nowcasting Using Diffusion Transformer with Causal Attention [3.9468501770612576]
  現在のディープラーニング手法は、条件と予測結果の効果的な依存関係を確立するのに不足している。 因果アテンションモデルを用いた拡散変圧器を用いた降雨キャスティングを提案する。
  論文  参考訳（メタデータ） (2024-10-17T08:10:41Z)
• Fine-Tuning Image-Conditional Diffusion Models is Easier than You Think [53.2706196341054]
  認識された非効率性は、これまで気付かれなかった推論パイプラインの欠陥によって引き起こされたことを示している。 タスク固有の損失を伴う単一ステップモデル上でエンドツーエンドの微調整を行い、他の拡散に基づく深さモデルや正規推定モデルよりも優れた決定論的モデルを得る。
  論文  参考訳（メタデータ） (2024-09-17T16:58:52Z)
• DiffSF: Diffusion Models for Scene Flow Estimation [17.512660491303684]
  本稿では,変圧器を用いたシーンフロー推定とデノナイズ拡散モデルを組み合わせたDiffSFを提案する。 拡散過程は, 従来の手法に比べて, 予測の堅牢性を大幅に向上させることを示す。 異なる初期状態で複数回サンプリングすることにより、復調過程は複数の仮説を予測し、出力の不確実性を測定することができる。
  論文  参考訳（メタデータ） (2024-03-08T14:06:15Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)

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。