論文の概要: PODiff: Latent Diffusion in Proper Orthogonal Decomposition Space for Scientific Super-Resolution
- arxiv url: http://arxiv.org/abs/2605.03399v1
- Date: Tue, 05 May 2026 06:21:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.797201
- Title: PODiff: Latent Diffusion in Proper Orthogonal Decomposition Space for Scientific Super-Resolution
- Title（参考訳）: PODiff: 科学的超解法のための適切な直交分解空間における潜時拡散
- Authors: Onkar Jadhav, Tim French, Matthew Rayson, Nicole L. Jones,
- Abstract要約: PODiff(ポディフ、英: PODiff)は、固定された分散順序の固有直交分解(POD)係数空間で拡散を行う構造的条件生成フレームワークである。
PODiffは、画素空間拡散に匹敵する再現精度を達成し、メモリを著しく少なくし、決定論的およびモンテカルロ・ドロップアウトベースラインよりも信頼性の高い不確実性推定を生成する。
- 参考スコア（独自算出の注目度）: 2.075423143311858
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilistic super-resolution of high-dimensional spatial fields using diffusion models is often computationally prohibitive due to the cost of operating directly in pixel space. We propose PODiff, a structured conditional generative framework that performs diffusion in a fixed, variance-ordered Proper Orthogonal Decomposition (POD) coefficient space, exploiting the orthogonality of POD modes to impose an interpretable, variance-ordered latent geometry. This design enables efficient ensemble generation, preserves dominant spatial structure, and yields spatially interpretable, well-calibrated uncertainty at substantially lower computational cost. We evaluate PODiff on sea surface temperature downscaling over the West Australian coast and on a controlled advection-diffusion benchmark. PODiff achieves reconstruction accuracy comparable to pixel-space diffusion while requiring significantly less memory and producing more reliable uncertainty estimates than deterministic and Monte Carlo Dropout baselines.
- Abstract（参考訳）: 拡散モデルを用いた高次元空間場の確率的超解像は、しばしばピクセル空間で直接操作するコストのために計算的に禁止される。
本稿では,PODモードの直交性を利用して,解釈可能な分散順序付き潜在幾何を課す,固定された分散順序付き固有直交分解(POD)係数空間で拡散を行う構造付き条件生成フレームワークPODiffを提案する。
この設計により、効率的なアンサンブル生成が可能となり、支配的な空間構造を保ち、空間的に解釈可能で、計算コストがかなり低い不確実性が得られる。
我々は, 西オーストラリア沿岸の海面温度ダウンスケーリングと, 制御された対流拡散ベンチマークによるPODiffの評価を行った。
PODiffは、画素空間拡散に匹敵する再現精度を達成し、メモリを著しく少なくし、決定論的およびモンテカルロ・ドロップアウトベースラインよりも信頼性の高い不確実性推定を生成する。
関連論文リスト
- Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。
Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
論文 参考訳（メタデータ） (2026-02-12T18:58:12Z) - Deep classifier kriging for probabilistic spatial prediction of air quality index [16.289713160499385]
textitdeep Classifier kriging (DCK) は、完全な予測分布関数を推定するための柔軟で分散のないディープラーニングフレームワークである。
DCKは予測精度と不確実性定量化において従来の手法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-12-29T13:58:34Z) - Differentiable Inverse Modeling with Physics-Constrained Latent Diffusion for Heterogeneous Subsurface Parameter Fields [9.42765150299276]
高次元空間分布係数を含むPDE制約逆問題に対する潜在拡散型微分可能逆変換法(LD-DIM)を提案する。
LD-DIMは、低次元非線形多様体における未知の不均一パラメータ場を再構成するために、終端から終端までの微分可能な数値解法と事前訓練された潜在拡散を結合する。
論文 参考訳（メタデータ） (2025-12-27T01:01:19Z) - Denoising diffusion probabilistic models are optimally adaptive to unknown low dimensionality [21.10158431913811]
DDPMは,本質的な低次元データの自動利用により,サンプリングスピードアップを実現することができるかを検討する。
DDPMの繰り返し複雑性は$k$とほぼ線形にスケールすることが証明され、KL分散を用いて分布の相違を測定するのに最適である。
論文 参考訳（メタデータ） (2024-10-24T14:36:12Z) - Flow-based Distributionally Robust Optimization [23.232731771848883]
We present a framework, called $textttFlowDRO$, for solve flow-based distributionally robust optimization (DRO) problem with Wasserstein uncertainty set。
我々は、連続した最悪のケース分布(Last Favorable Distribution, LFD)とそれからのサンプルを見つけることを目指している。
本稿では、逆学習、分布論的に堅牢な仮説テスト、およびデータ駆動型分布摂動差分プライバシーの新しいメカニズムを実証する。
論文 参考訳（メタデータ） (2023-10-30T03:53:31Z) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳（メタデータ） (2023-03-10T07:42:49Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳（メタデータ） (2023-02-14T17:02:35Z) - Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。
GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2022-08-25T12:33:31Z) - Reduced-order modeling for parameterized large-eddy simulations of
atmospheric pollutant dispersion [0.0]
大渦シミュレーション(LES)は、汚染物質濃度の空間的変動を正確に表現する可能性がある。
LESは、様々な大気および源のパラメータで気流とトレーサの分散がどのように変化するかを理解するために、展開するのに不当にコストがかかる。
本稿では, 適切な分解(POD)とガウス過程回帰(GPR)を組み合わせた非侵入的還元次数モデルを提案し, トレーサー濃度に関連する利害関係のLES場統計を予測した。
論文 参考訳（メタデータ） (2022-08-02T15:06:22Z) - Locality of Spontaneous Symmetry Breaking and Universal Spacing
Distribution of Topological Defects Formed Across a Phase Transition [62.997667081978825]
連続相転移は、KZM(Kybble-Zurek mechanism)によって予測される密度を伴う位相欠陥の形成をもたらす。
結果の非平衡状態における点状位相欠陥の空間分布を特徴付けるとともに、任意の空間次元のポアソン点過程をKZM密度でモデル化する。
論文 参考訳（メタデータ） (2022-02-23T19:00:06Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳（メタデータ） (2022-02-23T06:11:49Z)
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。