論文の概要: Flow Matching for Convective-Scale Precipitation Downscaling

• arxiv url: http://arxiv.org/abs/2606.00281v1
• Date: Fri, 29 May 2026 19:17:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.199426
• Title: Flow Matching for Convective-Scale Precipitation Downscaling
• Title（参考訳）: 対流型降水ダウンスケーリングのためのフローマッチング
• Abstract要約: フローマッチングは、最近画像、ビデオ、その他の領域で強力な結果を得た生成フレームワークである。 シンガポールを中心とする対流領域を8kmから2kmの日中降水量にマッピングするために,フローマッチングモデルを訓練した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative machine learning is an increasingly important complement to dynamical downscaling for producing high-resolution precipitation projections, with diffusion models currently the leading approach. Flow matching is a related generative framework that has recently achieved strong results across image, video and other domains, and shown early promise for downscaling. We train a flow matching model to map daily precipitation from 8 km to 2 km over a convective-scale domain centred on Singapore, and benchmark it against CPMGEM, a score-based diffusion model. Flow matching achieves consistently better spatial skill: higher fractions skill score at every precipitation threshold and neighbourhood scale tested, and tighter structure and amplitude components of the SAL score with comparable location skill. However, flow matching underestimates the upper tail of the precipitation distribution, resulting in a dry bias in the climatological mean. These results suggest that flow matching is a competitive generative framework for convective-scale precipitation downscaling, particularly well suited to capturing spatial structure.
• Abstract（参考訳）: 生成機械学習は、高解像度の降水予測を生成するための動的ダウンスケーリングの補完としてますます重要になってきており、現在拡散モデルが主要なアプローチである。 フローマッチングは関連した生成フレームワークであり、最近画像、ビデオ、その他の領域で強力な結果を得ており、ダウンスケーリングの早期の約束を示している。 シンガポールを中心とする対流領域において,日降水量8kmから2kmまでのフローマッチングモデルをトレーニングし,スコアベース拡散モデルであるCPMGEMと比較した。 フローマッチングは、それぞれの降水閾値と近隣スケールで高い割合のスキルスコア、SALスコアのより厳密な構造と振幅成分を同等の位置スキルで達成する。 しかし,フローマッチングは降水分布の上部の尾部を過小評価し,気候学的平均の乾燥バイアスをもたらす。 これらの結果から,流れのマッチングは,特に空間構造を捉えるのに適した対流スケール降水ダウンスケーリングの競争的生成フレームワークであることが示唆された。

関連論文リスト

• Precipitation Downscaling Using Foundation Model-Conditioned Diffusion [1.1848987098427715]
  高分解能降水場は、水文学的な影響評価には不可欠であるが、地球規模の気候モデル出力は、非常に粗いため、直接の使用には偏りがある。 降水量減少に適応した拡散確率モデルに対する3つの条件付け手法について検討した。 連結条件付けは、ポイントワイドCRPSとMSEの最低値を達成するが、高強度イベントを抑制する過度に滑らかなフィールドを生成する傾向がある。 クロスアテンション条件付けは、スペクトルの忠実度を大幅に改善し、分布リアリズムを大幅に改善する。
  論文  参考訳（メタデータ） (2026-08-26T14:30:39Z)
• Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
  本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。 変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。 サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-07T12:28:45Z)
• Perceptual Flow Matching for Few-Step Generative Modeling [64.26537634881244]
  知覚フローマッチング(Perceptual Flow Matching)は、フローマッチングモデルにおいて、数ステップ生成のためのフレームワークである。 PFMは、適切な表現空間で教師される際に、高品質な数ステップジェネレータを生成する。
  論文  参考訳（メタデータ） (2026-07-03T17:55:01Z)
• Mean Flow Distillation: Robust and Stable Distillation for Flow Matching Models [34.59515048908997]
  Mean Flow Distillation (MFD) はフローマッチングモデルに適した新しい蒸留フレームワークである。 MFDは時間的低域通過フィルタとして機能し、高周波最適化ノイズを効果的に抑制する。 平均流整合定理を証明し、一致した平均速度が厳密な分布アライメントに十分であることを示す。
  論文  参考訳（メタデータ） (2026-06-09T17:39:19Z)
• High-fidelity Modeling of Full-scale Pressurized Water Reactor Flow Fields for Machine Learning Applications [3.8347851078346427]
  本研究は, 加圧水型原子炉における高忠実度計算流体力学(CFD)および組立レベル流動特性評価のためのデータ駆動モデリングフレームワークを提案する。 ポンプ誘起スワール境界条件による過渡的シミュレーションを可能にするために, 一般に利用可能な幾何学的条件と操作条件を用いて, フルロープルおよびコア・インレット領域を構築した。 その結果, コールドレッグスワールおよびロウアープレナム輸送は, 特に下部コア付近において, 組立方向のインレットフロー分布を強く均一に生成することがわかった。 3次元畳み込み型塗装モデルによる部分観察による組立レベル質量流量の復元に成功した
  論文  参考訳（メタデータ） (2026-05-23T22:50:23Z)
• Path-Guided Flow Matching for Dataset Distillation [9.761850986508895]
  本稿では, 数ステップでODEを解くことで, 高速な決定論的合成を可能にする, 生成蒸留のための最初のフローマッチングに基づくフレームワークを提案する。 本研究では, ODE-consistent path control のための連続経路-プロトタイプ誘導アルゴリズムを開発し, トラジェクトリが割り当てられたプロトタイプに確実に着地できるようにする。
  論文  参考訳（メタデータ） (2026-02-05T12:52:32Z)
• HydroDiffusion: Diffusion-Based Probabilistic Streamflow Forecasting with a State Space Backbone [24.321954272892338]
  HydroDiffusionは拡散に基づく確率予測フレームワークであり、デコーダのみの状態空間モデルバックボーンを備えている。 CAMELSデータセットでは、アメリカ合衆国(CONUS)の531の流域で評価されている。 その結果,観測された気象強制力により,ハイドロ拡散は強い流速精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-12-13T05:05:27Z)
• 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)
• One-step Diffusion Models with Bregman Density Ratio Matching [17.651596329331124]
  ディ・ブレグマン(Di-Bregman)は、ブレグマンの発散に基づく密度比マッチングとして拡散蒸留を定式化するコンパクトなフレームワークである。 CIFAR-10およびテキスト・ツー・イメージ生成実験により, 逆KL蒸留による1段階FIDの改善が得られた。
  論文  参考訳（メタデータ） (2025-10-19T20:00:54Z)
• Score Distillation of Flow Matching Models [67.86066177182046]
  我々は、Score Identity Distillation (SiD) を事前訓練されたテキスト対画像フローマッチングモデルに拡張する。 SiDは、データフリーとデータアシストの両方の設定で、これらのモデルですぐに使える。 これは、スコア蒸留がテキストと画像のフローマッチングモデルに広く適用されるという最初の体系的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-09-29T17:45:48Z)
• Towards Scalable and Structured Spatiotemporal Forecasting [67.74910348499974]
  本稿では,時間的予測のための空間バランス注意ブロックを提案する。 空間グラフを集合部分グラフとインスタントグラフに分割し,各部分グラフ内の局所空間相関を学習する。 サブグラフの規模を徐々に増やし,マルチスケールの予測モデルを構築した。
  論文  参考訳（メタデータ） (2025-09-10T03:25:24Z)
• Contrastive Flow Matching [61.60002028726023]
  コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。 提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。 比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
  論文  参考訳（メタデータ） (2025-06-05T17:59:58Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Flow map matching with stochastic interpolants: A mathematical framework for consistency models [15.520853806024943]
  フローマップマッチングは、基礎となる生成モデルの2時間フローマップを学ぶための原則化されたフレームワークである。 FMMは,高速サンプリングのための既存手法の幅広いクラスを統一し,拡張することを示す。
  論文  参考訳（メタデータ） (2024-06-11T17:41:26Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)

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。