論文の概要: PixelFlowCast: Latent-Free Precipitation Nowcasting via Pixel Mean Flows

• arxiv url: http://arxiv.org/abs/2605.10046v1
• Date: Mon, 11 May 2026 06:16:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.568279
• Title: PixelFlowCast: Latent-Free Precipitation Nowcasting via Pixel Mean Flows
• Title（参考訳）: PixelFlowCast:Pixel Mean Flowによる遅延フリーの降水処理
• Authors: Yufeng Zhu, Chunlei Shi, Yongchao Feng, Dan Niu,
• Abstract要約: 本稿では,2段階の確率予測フレームワークであるPixelFlowCastを提案する。 公開されているSEVIRデータセットの実験では、PixelFlowCastは予測精度と推論効率の両方で、既存の主流メソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 3.219438344967702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precipitation nowcasting aims to forecast short-term radar echo sequences for extreme weather warning, where both prediction fidelity and inference efficiency are critical for real-world deployment. However, diffusion-based models, despite their strong generative capability, suffer from slow inference due to multi-step sampling trajectories, limiting their practical usability. Conditional Flow Matching (CFM) improves efficiency via straightened trajectories, but relies on latent space compression, which inevitably discards high-frequency physical details and degrades fine-grained prediction quality. To address these limitations, we propose PixelFlowCast, a two-stage probabilistic forecasting framework that achieves both high-efficiency and high-fidelity prediction without latent compression. Specifically, in the first stage, a deterministic model first produces coarse forecasts to capture global evolution trends. In the subsequent stage, the proposed KANCondNet extracts deep spatiotemporal evolution features to provide accurate conditional guidance. Based on this, a latent-free, few-step Pixel Mean Flows (PMF) predictor employs an $x$-prediction mechanism to generate high-quality predictions, effectively preserving fine-grained structures while maintaining fast inference. Experiments on the publicly available SEVIR dataset demonstrate that PixelFlowCast outperforms existing mainstream methods in both prediction accuracy and inference efficiency, particularly for long sequence forecasting, highlighting its strong potential for real-world operational deployment.
• Abstract（参考訳）: 降水流速計は、気象警報の短期レーダーエコーシーケンスを予測することを目的としており、予測精度と推測効率の両方が現実世界の展開に不可欠である。 しかし、拡散モデルでは、強力な生成能力にもかかわらず、多段階サンプリング軌道による推論が遅く、実用的使用性が制限される。 条件付きフローマッチング(CFM)は直線化トラジェクトリにより効率を向上するが、遅延空間圧縮に依存しており、これは必然的に高周波物理の詳細を破棄し、きめ細かい予測品質を低下させる。 これらの制約に対処するため,PixelFlowCastという2段階の確率予測フレームワークを提案する。 特に、第1段階では、決定論的モデルがまず大まかな予測を生成し、グローバルな進化のトレンドを捉える。 その後の段階で、提案するkanCondNetは、正確な条件付きガイダンスを提供するために、深部時空間進化の特徴を抽出する。 これに基づいて、潜伏のない数ステップのPixel Mean Flows(PMF)予測器は、$x$-predictionメカニズムを使用して高品質な予測を生成し、高速な推論を維持しながら、事実上微細な構造を保存する。 公開されているSEVIRデータセットの実験では、PixelFlowCastは予測精度と推論効率の両方において、既存の主流メソッドよりも優れており、特にロングシーケンス予測では、実世界の運用デプロイメントに対する強力な可能性を強調している。

関連論文リスト

• TARFVAE: Efficient One-Step Generative Time Series Forecasting via TARFLOW based VAE [3.7770105485163206]
  本稿では,Transformer-based autoregressive Flow (TARFLOW) と変動型オートエンコーダ (VAE) を組み合わせた新しい生成フレームワークであるTARFVAEについて述べる。 単純なモジュールでは、TARFVAEはデータセット上の様々な予測地平線を越えて、最先端の決定論的および生成的モデルよりも優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-28T03:19:14Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• DEF: Diffusion-augmented Ensemble Forecasting [5.433548785820674]
  我々は、初期条件摂動を生成する新しいアプローチであるDEF(textbfulEnsemble textbfulForecasting)を提案する。 簡単な条件拡散モデルが有意な構造的摂動を生成できることを実証する。 このモデルでは,有意な予測分布を生成しながら,長期予測よりも誤りの蓄積が少ないことを示す。
  論文  参考訳（メタデータ） (2025-06-08T23:43:41Z)
• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)

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。