論文の概要: AODDiff: Probabilistic Reconstruction of Aerosol Optical Depth via Diffusion-based Bayesian Inference

• arxiv url: http://arxiv.org/abs/2512.24847v1
• Date: Wed, 31 Dec 2025 13:16:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.661123
• Title: AODDiff: Probabilistic Reconstruction of Aerosol Optical Depth via Diffusion-based Bayesian Inference
• Title（参考訳）: AODDiff:拡散に基づくベイズ推論によるエアロゾル光深さの確率的再構成
• Authors: Linhao Fan, Hongqiang Fang, Jingyang Dai, Yong Jiang, Qixing Zhang,
• Abstract要約: AODDiffは拡散に基づく推論に基づく確率的再構成フレームワークである。 タスク固有の再トレーニングを必要とせずに、様々な再構築タスクに柔軟に適応することができる。 生成モデルとして、AODDiffは本質的に複数の空間的品質サンプリングによる不確実なサンプリングを可能にし、下流アプリケーションに重要な信頼性指標を提供する。
• 参考スコア（独自算出の注目度）: 12.981319326856495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality reconstruction of Aerosol Optical Depth (AOD) fields is critical for Atmosphere monitoring, yet current models remain constrained by the scarcity of complete training data and a lack of uncertainty quantification.To address these limitations, we propose AODDiff, a probabilistic reconstruction framework based on diffusion-based Bayesian inference. By leveraging the learned spatiotemporal probability distribution of the AOD field as a generative prior, this framework can be flexibly adapted to various reconstruction tasks without requiring task-specific retraining. We first introduce a corruption-aware training strategy to learns a spatiotemporal AOD prior solely from naturally incomplete data. Subsequently, we employ a decoupled annealing posterior sampling strategy that enables the more effective and integration of heterogeneous observations as constraints to guide the generation process. We validate the proposed framework through extensive experiments on Reanalysis data. Results across downscaling and inpainting tasks confirm the efficacy and robustness of AODDiff, specifically demonstrating its advantage in maintaining high spatial spectral fidelity. Furthermore, as a generative model, AODDiff inherently enables uncertainty quantification via multiple sampling, offering critical confidence metrics for downstream applications.
• Abstract（参考訳）: エアロゾル光深度(AOD)フィールドの高品質な再構成は,大気観測において重要であるが,現在のモデルでは,完全なトレーニングデータの不足と不確実性定量化の欠如により制約が残っており,これらの制約に対処するため,拡散に基づくベイズ推定に基づく確率的再構成フレームワークであるAODDiffを提案する。 AODフィールドの学習時空間確率分布を生成前として活用することにより、タスク固有の再トレーニングを必要とせずに、様々な再構成タスクに柔軟に適用することができる。 まず、自然不完全データのみから時空間AODを学習するための汚職認識学習戦略を導入する。 その後、異種観測をより効果的に統合し、生成過程を導出するための非結合アニーリング後部サンプリング戦略を採用する。 分析データに関する広範な実験を通じて,提案手法を検証した。 AODDiffの有効性とロバスト性を確認し、特に高空間スペクトルの忠実性を維持する上での優位性を実証した。 さらに、生成モデルとして、AODDiffは本質的に複数のサンプリングによって不確実な定量化を可能にし、下流アプリケーションに重要な信頼性指標を提供する。

関連論文リスト

• Test-Time Anchoring for Discrete Diffusion Posterior Sampling [38.507644561076894]
  後方サンプリングは、事前訓練された離散拡散基礎モデルにとって難しい問題である。 マスク拡散基礎モデルのためのAnchored Posterior Smpling (APS) を提案する。 本手法は線形および非線形逆問題に対する離散拡散サンプリング器の最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-10-02T17:58:37Z)
• ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:43:35Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion [13.640501360968782]
  FALDAは時系列予測のための新しい確率的フレームワークである。 コンポーネント固有のアーキテクチャが組み込まれており、個々の時間的コンポーネントをカスタマイズしたモデリングを可能にする。 6つの実世界のベンチマーク実験は、FALDAが既存の確率予測手法を一貫して上回っていることを示している。 FALDAはまた、最先端(SOTA)ポイント予測アプローチよりも優れた全体的なパフォーマンスを実現し、最大9%の改善を実現している。
  論文  参考訳（メタデータ） (2025-05-16T14:32:34Z)
• Reconstruction-Free Anomaly Detection with Diffusion Models [30.099399014193573]
  Inversion-based Anomaly Detection (AD) 手法を提案する。 元の確率フローODEを近似する際、クリーンな画像にノイズを与えるための反転ステップはごくわずかである。 付加雑音が学習拡散モデルに適応的に導出されるので、クリーンテスト画像の原特徴を引き続き利用して高い検出精度を得ることができる。
  論文  参考訳（メタデータ） (2025-04-08T04:23:43Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Deep Injective Prior for Inverse Scattering [16.36016615416872]
  電磁的逆散乱において、目的は散乱波を用いて物体の誘電率を再構成することである。 ディープラーニングはイテレーティブな問題解決の代替手段としての可能性を示してきた。 深部生成モデルに基づく逆散乱のためのデータ駆動型フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-08T19:05:51Z)

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。