論文の概要: Generative 3D Gaussian Splatting for Arbitrary-ResolutionAtmospheric Downscaling and Forecasting
- arxiv url: http://arxiv.org/abs/2604.07928v1
- Date: Thu, 09 Apr 2026 07:47:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:05.778316
- Title: Generative 3D Gaussian Splatting for Arbitrary-ResolutionAtmospheric Downscaling and Forecasting
- Title（参考訳）: 任意解像非球面下降・予測のための3次元ガウススプラッティング法
- Abstract要約: 3次元ガウススプラッティング型スケールアウェア・ビジョン・トランス (GSSA-ViT)
鍵パラメータを推定するために、生成的な3Dガウス予測スキームを導入する。
スケール対応アテンションモジュールは、スケール間の依存関係をキャプチャするように設計されている。
- 参考スコア（独自算出の注目度）: 39.710539720462556
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: While AI-based numerical weather prediction (NWP) enables rapid forecasting, generating high-resolution outputs remains computationally demanding due to limited multi-scale adaptability and inefficient data representations. We propose the 3D Gaussian splatting-based scale-aware vision transformer (GSSA-ViT), a novel framework for arbitrary-resolution forecasting and flexible downscaling of high-dimensional atmospheric fields. Specifically, latitude-longitude grid points are treated as centers of 3D Gaussians. A generative 3D Gaussian prediction scheme is introduced to estimate key parameters, including covariance, attributes, and opacity, for unseen samples, improving generalization and mitigating overfitting. In addition, a scale-aware attention module is designed to capture cross-scale dependencies, enabling the model to effectively integrate information across varying downscaling ratios and support continuous resolution adaptation. To our knowledge, this is the first NWP approach that combines generative 3D Gaussian modeling with scale-aware attention for unified multi-scale prediction. Experiments on ERA5 show that the proposed method accurately forecasts 87 atmospheric variables at arbitrary resolutions, while evaluations on ERA5 and CMIP6 demonstrate its superior performance in downscaling tasks. The proposed framework provides an efficient and scalable solution for high-resolution, multi-scale atmospheric prediction and downscaling. Code is available at: https://github.com/binbin2xs/weather-GS.
- Abstract（参考訳）: AIベースの数値天気予報(NWP)は、高速な予測を可能にするが、マルチスケール適応性と非効率なデータ表現の制限により、高解像度の出力が計算的に要求される。
高次元大気の任意の解像度予測とフレキシブルダウンスケーリングのための新しいフレームワークであるGSSA-ViT (3D Gaussian splatting-based scale-aware vision transformer) を提案する。
具体的には、緯度-経度格子点を3Dガウスの中心として扱う。
生成的3次元ガウス予測スキームを導入し、見つからないサンプルに対する共分散、属性、不透明度を含む重要なパラメータを推定し、一般化を改善し、過剰適合を緩和する。
さらに、スケールアウェアアテンションモジュールは、スケールの依存関係をキャプチャして、さまざまなダウンスケーリング比率の情報を効果的に統合し、継続的な解像度適応をサポートするように設計されている。
我々の知る限り、これは生成的3次元ガウスモデルとスケールアウェアメントを組み合わせた最初のNWPアプローチであり、統合されたマルチスケール予測である。
ERA5の実験では,提案手法は任意の解像度で87の大気変数を正確に予測し,ERA5とCMIP6の評価はダウンスケールタスクにおいて優れた性能を示した。
提案するフレームワークは,高解像度でマルチスケールな大気予測とダウンスケーリングのための,効率的かつスケーラブルなソリューションを提供する。
コードは、https://github.com/binbin2xs/weather-GS.comで入手できる。
関連論文リスト
- Gaussian-JEPA: Joint-Embedding Predictive Learning for 3D Gaussian Splats [91.55220894541151]
3D Gaussian Splatting (3DGS)は、幾何学と外観を結合的にエンコードする異方性プリミティブを持つ3Dコンテンツを表す。
本稿では,ガウス的トークンブロックの表現を視覚的コンテキストから予測するガウス的JEPAを提案する。
論文 参考訳（メタデータ） (2026-08-16T09:43:50Z) - GaussianSeed: Hierarchical Gaussian Seeding for High-Resolution 3D Occupancy Prediction [29.80911525395571]
視覚中心の3D占有予測は、自律走行とロボットナビゲーションに不可欠である。
既存の方法では、計算コストの制限により、高ボクセル解像度にスケールするのに苦労している。
本稿では,プリミティブを粗い階層構造に整理する,プログレッシブなマルチスケールガウス占有予測フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-22T12:18:30Z) - PointSplat: Compact Gaussian Splatting via Human-Centric Prediction [70.45838533838104]
本研究では,ハエのインプットビューから3次元人間表現を創出する新しい人間中心のアプローチであるPointSplatを提案する。
提案手法は,まず粗い幾何学的プロキシを推定し,冗長点を起点とするレイキャスティングを行う。
その後、ポイント・イメージ・トランスフォーマーを使用して外観と幾何学的特徴を融合させ、ガウスの属性を1つの前方通過で予測する。
論文 参考訳（メタデータ） (2026-06-30T17:59:05Z) - GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。
大量のガウス点があるため、高いメモリコストに制約される。
コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
論文 参考訳（メタデータ） (2026-04-02T10:41:51Z) - Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。
我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。
提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
論文 参考訳（メタデータ） (2025-06-15T19:12:37Z) - TGP: Two-modal occupancy prediction with 3D Gaussian and sparse points for 3D Environment Awareness [13.68631587423815]
3Dセマンティックな占有力は、ロボット工学と自律運転環境知覚の分野において、急速に研究の焦点となっている。
既存の占有予測タスクは、voxelやポイントクラウドベースのアプローチを使用してモデル化される。
本稿では空間的位置と体積構造情報のバランスをとる3次元ガウス集合とスパース点に基づく2次元モーダル予測法を提案する。
論文 参考訳（メタデータ） (2025-03-13T01:35:04Z) - GP-GS: Gaussian Processes for Enhanced Gaussian Splatting [15.263608848427136]
本稿では,新しい3次元再構成フレームワークであるGaussian Processes enhanced Gaussian Splatting (GP-GS)を提案する。
GP-GSはスパース構造-運動点雲の適応的および不確実性誘導密度化を可能にする。
合成および実世界のデータセットで行った実験は、提案フレームワークの有効性と実用性を検証する。
論文 参考訳（メタデータ） (2025-02-04T12:50:16Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - GaussianCube: A Structured and Explicit Radiance Representation for 3D Generative Modeling [55.05713977022407]
構造的かつ完全明快な放射率表現を導入し、3次元生成モデリングを大幅に促進する。
我々はまず,新しい密度制約付きガウス適合アルゴリズムを用いてガウスキューブを導出する。
非条件およびクラス条件オブジェクト生成、デジタルアバター生成、テキスト・トゥ・3Dによる実験は、我々のモデル合成が最先端の生成結果を達成することを示す。
論文 参考訳（メタデータ） (2024-03-28T17:59:50Z) - A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。
GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文 参考訳（メタデータ） (2022-04-05T07:19:42Z)
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。