論文の概要: STLDM: Spatio-Temporal Latent Diffusion Model for Precipitation Nowcasting

• arxiv url: http://arxiv.org/abs/2512.21118v1
• Date: Wed, 24 Dec 2025 11:34:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.767751
• Title: STLDM: Spatio-Temporal Latent Diffusion Model for Precipitation Nowcasting
• Title（参考訳）: STLDM:降雨予報のための時空間遅延拡散モデル
• Authors: Shi Quan Foo, Chi-Ho Wong, Zhihan Gao, Dit-Yan Yeung, Ka-Hing Wong, Wai-Kin Wong,
• Abstract要約: 降水流しは、異常気象による深刻な被害を防ぐための社会にとって重要な予測課題である。 STLDMと呼ばれるシンプルなモデルアーキテクチャを提案する。これは拡散に基づくモデルであり、Varitemporal Autoencoder と Conditioning Network の両方とともに、終端から終端までの潜伏表現を学習する。
• 参考スコア（独自算出の注目度）: 22.29494904927957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precipitation nowcasting is a critical spatio-temporal prediction task for society to prevent severe damage owing to extreme weather events. Despite the advances in this field, the complex and stochastic nature of this task still poses challenges to existing approaches. Specifically, deterministic models tend to produce blurry predictions while generative models often struggle with poor accuracy. In this paper, we present a simple yet effective model architecture termed STLDM, a diffusion-based model that learns the latent representation from end to end alongside both the Variational Autoencoder and the conditioning network. STLDM decomposes this task into two stages: a deterministic forecasting stage handled by the conditioning network, and an enhancement stage performed by the latent diffusion model. Experimental results on multiple radar datasets demonstrate that STLDM achieves superior performance compared to the state of the art, while also improving inference efficiency. The code is available in https://github.com/sqfoo/stldm_official.
• Abstract（参考訳）: 降水の流し込みは、極端な気象現象による深刻な被害を防ぐための、社会にとって重要な時空間予測課題である。 この分野の進歩にもかかわらず、このタスクの複雑で確率的な性質は依然として既存のアプローチに挑戦をもたらす。 具体的には、決定論的モデルはぼやけた予測を生成する傾向があり、生成的モデルは、しばしば精度の悪さに苦しむ。 本稿では,変分オートエンコーダとコンディショニングネットワークの両方とともに,終端から終端までの潜伏表現を学習する拡散モデルであるSTLDMを提案する。 STLDMは、このタスクを条件付きネットワークで処理される決定論的予測段階と、潜在拡散モデルで実行される拡張段階の2段階に分解する。 複数のレーダデータセットの実験結果から,STLDMは最先端技術よりも優れた性能を示し,推論効率も向上した。 コードはhttps://github.com/sqfoo/stldm_officialで公開されている。

関連論文リスト

• FlowCast: Advancing Precipitation Nowcasting with Conditional Flow Matching [0.0]
  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。
  論文  参考訳（メタデータ） (2025-11-12T20:40:34Z)
• 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)
• Data-driven Mesoscale Weather Forecasting Combining Swin-Unet and Diffusion Models [0.0]
  本研究では,拡散モデルとSwin-Unetを決定論的モデルとして組み合わせたアーキテクチャを提案する。 提案したアーキテクチャは、2つのモデルを独立に訓練し、決定論的モデルが更新されたときに拡散モデルが変更されないようにする。
  論文  参考訳（メタデータ） (2025-03-25T05:07:31Z)
• 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)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Add and Thin: Diffusion for Temporal Point Processes [24.4686728569167]
  ADD-THINは、時間点過程(TPP)ネットワークの確率的デノナイジング拡散モデルである。 イベントシーケンス全体で動作し、密度推定において最先端のTPPモデルと一致する。 合成および実世界のデータセットの実験において、我々のモデルは密度推定における最先端のTPPモデルと一致し、予測においてそれらを強く上回る。
  論文  参考訳（メタデータ） (2023-11-02T10:42:35Z)

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。