論文の概要: WaveSFNet: A Wavelet-Based Codec and Spatial--Frequency Dual-Domain Gating Network for Spatiotemporal Prediction

• arxiv url: http://arxiv.org/abs/2603.23284v1
• Date: Tue, 24 Mar 2026 14:48:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.542689
• Title: WaveSFNet: A Wavelet-Based Codec and Spatial--Frequency Dual-Domain Gating Network for Spatiotemporal Prediction
• Title（参考訳）: WaveSFNet - 時空間予測のためのウェーブレットベースコーデックと空間周波数デュアルドメインゲーティングネットワーク
• Authors: Xinyong Cai, Runming Xie, Hu Chen, Yuankai Wu,
• Abstract要約: 鍵となる課題は、急激な多段階予測のために高周波の詳細を保持しながら、長距離力学をモデル化することである。 本稿では、ウェーブレットベースのトランスレータと空間周波数デュアルドメイントランスレータを結合した効率的なフレームワークであるWaveSFNetを提案する。 WaveSFNetは、計算複雑性を低く保ちながら、移動Mtemporal、TaxiBJ、WeatherBenchの競合精度を達成する。
• 参考スコア（独自算出の注目度）: 13.237373243588301
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatiotemporal predictive learning aims to forecast future frames from historical observations in an unsupervised manner, and is critical to a wide range of applications. The key challenge is to model long-range dynamics while preserving high-frequency details for sharp multi-step predictions. Existing efficient recurrent-free frameworks typically rely on strided convolutions or pooling for sampling, which tends to discard textures and boundaries, while purely spatial operators often struggle to balance local interactions with global propagation. To address these issues, we propose WaveSFNet, an efficient framework that unifies a wavelet-based codec with a spatial--frequency dual-domain gated spatiotemporal translator. The wavelet-based codec preserves high-frequency subband cues during downsampling and reconstruction. Meanwhile, the translator first injects adjacent-frame differences to explicitly enhance dynamic information, and then performs dual-domain gated fusion between large-kernel spatial local modeling and frequency-domain global modulation, together with gated channel interaction for cross-channel feature exchange. Extensive experiments demonstrate that WaveSFNet achieves competitive prediction accuracy on Moving MNIST, TaxiBJ, and WeatherBench, while maintaining low computational complexity. Our code is available at https://github.com/fhjdqaq/WaveSFNet.
• Abstract（参考訳）: 時空間的予測学習は、教師なしの方法で過去の観測から将来のフレームを予測することを目的としており、幅広い応用に欠かせない。 鍵となる課題は、急激な多段階予測のために高周波の詳細を保持しながら、長距離力学をモデル化することである。 既存の効率的なリカレントフリーフレームワークは、通常、ストライドされた畳み込みやサンプリングのためのプールに依存しており、これはテクスチャや境界を破棄する傾向があるが、純粋に空間作用素は、グローバルな伝播と局所的な相互作用のバランスをとるのに苦労する。 これらの問題に対処するために、ウェーブレットベースのコーデックを空間周波数の二重ドメインゲート時空間トランスレータと統合する効率的なフレームワークであるWaveSFNetを提案する。 ウェーブレットベースのコーデックは、ダウンサンプリングと再構成の間、高周波サブバンドキューを保存する。 一方、トランスレータは、まず隣接フレーム差を注入し、動的情報を明示的に強調し、次に、大カーネル空間局所モデリングと周波数領域グローバル変調の二重ドメインゲート融合と、チャンネル間特徴交換のためのゲートチャネル相互作用を行う。 大規模な実験では、WaveSFNetは計算複雑性を低く保ちながら、移動MNIST、TaxiBJ、WeatherBenchの競合予測精度を達成している。 私たちのコードはhttps://github.com/fhjdqaq/WaveSFNetで利用可能です。

関連論文リスト

• WaveFormer: Frequency-Time Decoupled Vision Modeling with Wave Equation [24.13944601660532]
  視覚モデリングはトランスフォーマーによって急速に進歩し、注意機構は視覚的依存を捉えるが、意味情報が空間的にどのように伝播するかという原則的な説明は欠いている。 我々はこの問題を波面から再検討し、内部伝播時間における空間信号として特徴写像を下水波方程式で制御する。 本稿では,標準VTやCNNのドロップイン置換としてWaveFormerモデルのファミリを提案し,画像分類,オブジェクト検出,セマンティックセグメンテーションにおける競合精度を実現する。
  論文  参考訳（メタデータ） (2026-01-13T14:47:22Z)
• WaveRNet: Wavelet-Guided Frequency Learning for Multi-Source Domain-Generalized Retinal Vessel Segmentation [4.23704854635294]
  領域一般化網膜血管分節は眼科における自動診断に重要である。 本稿では,ウェーブレット誘導周波数学習フレームワークであるWaveRNetを提案する。
  論文  参考訳（メタデータ） (2026-01-09T16:58:29Z)
• MFC-RFNet: A Multi-scale Guided Rectified Flow Network for Radar Sequence Prediction [7.015114232190396]
  レーダエコーシークエンスからの正確な高分解能降水は、災害軽減と経済計画に不可欠である。 鍵となる課題は、複雑なマルチスケール進化のモデル化、変位に起因するフレーム間特徴の不整合、長距離コンテキストの効率的なキャプチャである。 本稿では,MFRF-Net(Multiscale Feature Communication Rectified Flow Network)を提案する。
  論文  参考訳（メタデータ） (2026-01-07T06:24:26Z)
• AWEMixer: Adaptive Wavelet-Enhanced Mixer Network for Long-Term Time Series Forecasting [12.450099337354017]
  適応ウェーブレット強化ミキサーネットワークであるAWEMixerを提案する。 周波数ルータは、Fast Fourier Transformによって達成された大域的周期パターンを利用して、局所化ウェーブレットサブバンドを適応的に重み付けする。 コヒーレントゲート融合ブロックは、多スケール時間表現による顕著な周波数特徴の選択的統合を実現する。
  論文  参考訳（メタデータ） (2025-11-06T11:27:12Z)
• WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
  本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。 高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。 標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-10-24T01:41:31Z)
• WaveletDiff: Multilevel Wavelet Diffusion For Time Series Generation [15.28917997999402]
  WaveletDiffは、時系列データ固有の多重解像度構造を利用するために、ウェーブレット係数上で拡散モデルを直接訓練する新しいフレームワークである。 最先端の時間領域と周波数領域の生成手法を5つの異なるパフォーマンス指標で比較すると、一貫して性能が向上する。
  論文  参考訳（メタデータ） (2025-10-13T18:47:33Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
  本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。 さまざまな時系列データセットのテストでは、WFTNetは他の最先端の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） (2023-09-20T13:44:18Z)
• Dynamic Frame Interpolation in Wavelet Domain [57.25341639095404]
  ビデオフレームは、より流動的な視覚体験のためにフレームレートを上げることができる、重要な低レベルな計算ビジョンタスクである。 既存の手法は、高度なモーションモデルと合成ネットワークを利用することで大きな成功を収めた。 WaveletVFIは、同様の精度を維持しながら最大40%の計算を削減できるため、他の最先端技術に対してより効率的に処理できる。
  論文  参考訳（メタデータ） (2023-09-07T06:41:15Z)

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。