論文の概要: WindINR: Latent-State INR for Fast Local Wind Query and Correction in Complex Terrain

• arxiv url: http://arxiv.org/abs/2605.09511v1
• Date: Sun, 10 May 2026 12:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.287981
• Title: WindINR: Latent-State INR for Fast Local Wind Query and Correction in Complex Terrain
• Title（参考訳）: WindINR:複雑な地形における高速局所風速探索と補正のための潜在状態INR
• Authors: Yi Xiao, Qilong Jia, Hang Fan, Pascal Fua, Robert Jenssen, Xiaosong Ma, Wei Xue,
• Abstract要約: WindINRは、連続した高分解能局所風速クエリとスパースオブザーバ補正のための潜在状態暗黙的ニューラルネットワーク表現フレームワークである。 WindINRは、静的な地形記述子、低解像度の背景場、および連続的なクエリ座標を高解像度の風状態にマッピングする。 WindINRは、完全なネットワークではなく、コンパクトな潜水状態だけを更新することで、局所的な高分解能風速推定を改善する。
• 参考スコア（独自算出の注目度）: 47.92351540935845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many downstream decisions in complex terrain require fast wind estimates at a small number of user-specified locations and heights for a given forecast valid time, rather than another dense forecast field on a fixed grid. We present WindINR, a latent-state implicit neural representation framework for continuous high-resolution local wind query and sparse-observation correction. WindINR maps static terrain descriptors, a low-resolution background field, and continuous query coordinates to a high-resolution wind state through a latent-conditioned decoder. To enable rapid inference-time correction, WindINR separates reusable representation learning from sample-specific latent-state correction. During training, a privileged encoder infers a reference latent state from high-resolution supervision, a deployable latent predictor estimates an initial latent state from inference-time inputs alone, and their discrepancies are summarized into a dataset-adaptive Gaussian prior over latent corrections. At inference time, within the WindINR module, network weights remain fixed and only the latent state is updated by minimizing a regularized correction objective using sparse observations and their uncertainty. In controlled OSSEs over the Senja region, including a UAV-aided approach scenario and random-observation robustness tests, WindINR improves local high-resolution wind estimates by updating only a compact latent state rather than the full network. The corrected representation remains continuously queryable at arbitrary coordinates and, in our CPU benchmark, yields about a $2.6\times$ online-correction speedup over full-network fine-tuning, suggesting a practical interface between kilometer-scale background products, sparse local observations, and wind queries in complex terrain.
• Abstract（参考訳）: 複雑な地形における下流の多くの決定は、固定格子上の他の密度の強い予測場ではなく、少数のユーザ指定の場所と所要時間の高さでの高速な風速推定を必要とする。 我々は、連続した高分解能局所風速クエリとスパースオブザーバ補正のための潜在状態暗黙的ニューラルネットワーク表現フレームワークWindINRを提案する。 WindINRは静的な地形記述子、低解像度の背景場、連続的なクエリ座標を潜在条件デコーダを介して高解像度の風状態にマッピングする。 高速な推測時間補正を実現するため、WindINRはサンプル固有の潜在状態補正から再利用可能な表現学習を分離する。 トレーニング中、特権エンコーダは、高解像度の監視から参照潜時状態を推測し、デプロイ可能な潜時予測器は、推論時入力のみから初期潜時状態を推定し、それらの差は、潜時修正よりもデータセット適応ガウス事前に要約する。 推定時には、WindINRモジュール内のネットワーク重みは固定され、スパース観測と不確実性を用いて正規化補正目標を最小化することにより、潜時状態のみを更新する。 UAV支援アプローチシナリオとランダム観測ロバストネステストを含むセンジャ地域における制御OSSEにおいて、WindINRは、完全なネットワークではなく、コンパクトな潜水状態のみを更新することで、局所的な高解像度風速推定を改善する。 修正された表現は、任意の座標で連続的にクエリ可能であり、我々のCPUベンチマークでは、フルネットワークの微調整よりも約2.6\times$のオンライン補正スピードアップが得られる。

関連論文リスト

• Station2Radar: query conditioned gaussian splatting for precipitation field [34.62382175419047]
  降水場を生成するために,衛星画像を用いた気象観測と自動観測を融合する枠組みを提案する。 従来の2Dガウススプラッティングとは異なり、QCGSはキュード降水領域のみを選択的にレンダリングする。 QCGSは、従来の格子状降水生成物と比較して、RMSEの50%以上の改善を示す。
  論文  参考訳（メタデータ） (2026-02-28T02:35:18Z)
• From Sparse Sensors to Continuous Fields: STRIDE for Spatiotemporal Reconstruction [3.2580743227673694]
  時空間デコーダを用いた高次元空間場を潜時状態にマッピングするフレームワークSTRIDEを提案する。 STRIDEは超高分解能をサポートし、超高分解能をサポートし、ノイズに対して頑健であることを示す。
  論文  参考訳（メタデータ） (2026-02-04T04:39:23Z)
• Network-Optimised Spiking Neural Network for Event-Driven Networking [2.5941336499463383]
  スパイキングニューラルネットワークは、異常検出、ローカルルーティング制御、エッジでの混雑管理など、時間クリティカルなネットワークタスクに適したイベント駆動型計算を提供する。 本稿では,正規化された待ち行列の占有状態と回復資源を符号化したコンパクトな2変数ユニットであるNetwork-Optimized Spiking (NOS)を紹介する。 我々は、データ駆動初期化、リセットシャープネスに基づくホモトピーによる代理段階トレーニング、リソース制約されたデプロイメントのための境界のトポロジによる明確な安定性チェックのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-27T22:31:24Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations [3.356199201143573]
  マルチスケールU-NetとMLPを融合したハイブリッドディープラーニングフレームワークであるAUWaveを紹介する。 データリッチな構成において、AUWaveが代表的ベースラインを一貫して上回ることを示す。 アーキテクチャのマルチスケールおよびアテンションコンポーネントは、最小でも非自明な空間アンカーが利用できる場合、精度が向上する。
  論文  参考訳（メタデータ） (2025-09-21T14:12:28Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• Deep Reinforcement Learning for IRS Phase Shift Design in Spatiotemporally Correlated Environments [93.30657979626858]
  本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。 チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
  論文  参考訳（メタデータ） (2022-11-02T22:07:36Z)
• DL-Corrector-Remapper: A grid-free bias-correction deep learning methodology for data-driven high-resolution global weather forecasting [11.334341754942917]
  我々はFourCastNet(FCN)の一様予測を補正し、再マップし、微調整する手法を開発した。 これは、数値天気予報(NWP)のバイアス補正と後処理に似ている 私たちはこのネットワークをDLCR(Deep-Learning-Corrector-Remapper)と呼ぶ。
  論文  参考訳（メタデータ） (2022-10-21T23:04:44Z)

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。