論文の概要: Bayesian Rain Field Reconstruction using Commercial Microwave Links and Diffusion Model Priors

• arxiv url: http://arxiv.org/abs/2605.05520v1
• Date: Wed, 06 May 2026 23:36:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.449717
• Title: Bayesian Rain Field Reconstruction using Commercial Microwave Links and Diffusion Model Priors
• Title（参考訳）: 商用マイクロ波リンクと拡散モデルを用いたベイズ雨場復元
• Abstract要約: 我々は、拡散モデル(DM)を用いたベイズ逆問題として、雨田再建を高忠実度空間先行問題と見なしている。 拡散モデルはガウス過程よりも重要な降雨統計を保存しやすいことを示す。 合成および実世界のデータセットの実験は、確立されたCMLベースの再構築ベースラインよりも一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 30.10590403450492
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Commercial Microwave Links (CMLs) offer dense spatial coverage for rainfall sensing but produce path-integrated measurements that make accurate ground-level reconstruction challenging. Existing methods typically oversimplify CMLs as point sensors and neglect line integration relating rainfall to signal attenuation, resulting in degraded performance under heterogeneous precipitation. In this work, we view rain field reconstruction as a Bayesian inverse problem with Diffusion Models (DMs) as high-fidelity spatial priors. We show that diffusion models better preserve key rainfall statistics compared to censored Gaussian processes. Framing rainfall estimation as a Bayesian inverse problem with a DM prior enables training-free posterior sampling using a broad family of methods, including Plug-and-Play, Sequential Monte Carlo, and Replica Exchange methods. Experiments on synthetic and real-world datasets demonstrate consistent improvements over established CML-based reconstruction baselines.
• Abstract（参考訳）: 商用マイクロ波リンク(CML)は、降雨検知のための密集した空間カバレッジを提供するが、正確な地上レベルの再構築を困難にする経路積分測定を生成する。 既存の方法は、通常、点センサとしてCMLを単純化し、降雨と信号減衰に関連するライン統合を無視し、不均一な降水条件下での劣化性能をもたらす。 本研究では,拡散モデル (DM) を用いたベイズ逆問題として雨田再建を高忠実度空間先行問題とみなす。 拡散モデルはガウス過程よりも重要な降雨統計を保存しやすいことを示す。 DMによるベイズ逆問題としての降雨推定は, プラグアンドプレイ法, シークエンシャルモンテカルロ法, レプリカ交換法など, 幅広い手法を用いて, トレーニング不要の後方サンプリングを可能にする。 合成および実世界のデータセットの実験は、確立されたCMLベースの再構築ベースラインよりも一貫した改善を示している。

関連論文リスト

• Solving Diffusion Inverse Problems with Restart Posterior Sampling [2.9527010146189556]
  逆問題(英: inverse problem)とは、科学や工学において基本的な問題であり、ノイズ測定から基礎となる信号や状態を推測することである。 近年のアプローチでは、複雑なデータ分布をキャプチャする能力のため、そのような問題に対する強力な暗黙の先行モデルとして拡散モデルが採用されている。 本稿では,線形逆問題と非線形逆問題の両方を解決するための汎用的で効率的なフレームワークであるRePS(Restart for Posterior Sampling)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T20:42:33Z)
• CuMoLoS-MAE: A Masked Autoencoder for Remote Sensing Data Reconstruction [0.7373617024876725]
  本報告では,CuMoLoS-MAE(Culriculum-Guided Monte Carlo Ensemble Masked Autoencoder)について述べる。 アップドラフトやダウンドラフトコア、せん断線、小さな渦などの微細な特徴を復元する。 また、大気圏上のデータ駆動の事前学習も行い、画素単位の不確実性を定量化する。
  論文  参考訳（メタデータ） (2025-08-20T16:54:19Z)
• EquiReg: Equivariance Regularized Diffusion for Inverse Problems [67.01847869495558]
  拡散に基づく逆問題解法における後方サンプリングを正規化するためのフレームワークであるEquiReg拡散法を提案する。 様々な解法に適用すると、EquiRegは線形および非線形画像復元タスクにおいて最先端の拡散モデルより優れる。
  論文  参考訳（メタデータ） (2025-05-29T01:25:43Z)
• Enhancing Diffusion Posterior Sampling for Inverse Problems by Integrating Crafted Measurements [46.03835001280626]
  現在の後方サンプリング法は、測定結果を後方サンプリングに取り込み、対象データの分布を推定する。 我々は,早期に高周波情報を早期に導入し,より大きな後部推定誤差を生じさせることを示す。 本稿では, 後方推定法として, 工法計測(逆演示法による雑音測定)を取り入れた新しい拡散後サンプリング法DPS-CMを提案する。
  論文  参考訳（メタデータ） (2024-11-15T00:06:57Z)
• Diffusion State-Guided Projected Gradient for Inverse Problems [82.24625224110099]
  逆問題に対する拡散状態ガイド型射影勾配(DiffStateGrad)を提案する。 DiffStateGrad は拡散過程の中間状態の低ランク近似である部分空間に測定勾配を投影する。 DiffStateGradは、測定手順のステップサイズとノイズの選択によって拡散モデルのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2024-10-04T14:26:54Z)
• 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)
• Divide-and-Conquer Posterior Sampling for Denoising Diffusion Priors [21.0128625037708]
  提案手法は, 分割・分散型後方サンプリング方式である。 これにより、再トレーニングを必要とせずに、現在のテクニックに関連する近似誤差を低減することができる。 ベイズ逆問題に対するアプローチの汎用性と有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T01:47:24Z)
• Adaptive Multi-step Refinement Network for Robust Point Cloud Registration [82.64560249066734]
  ポイントクラウド登録は、同じシーンの2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では,前ステップからの情報を活用することで,各ステップの登録品質を向上する適応型多段階改良ネットワークを提案する。 本手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• 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)
• Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
  我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。 本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
  論文  参考訳（メタデータ） (2022-09-29T11:12:27Z)

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。