論文の概要: Learning to Refine: Spectral-Decoupled Iterative Refinement Framework for Precipitation Nowcasting
- arxiv url: http://arxiv.org/abs/2606.02661v1
- Date: Mon, 01 Jun 2026 07:34:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.498214
- Title: Learning to Refine: Spectral-Decoupled Iterative Refinement Framework for Precipitation Nowcasting
- Title（参考訳）: リファインダの学習: 降水開始のためのスペクトル分離型反復リファインダフレームワーク
- Abstract要約: 本稿では,現在放送を進行周波数分離改良として再編成する決定論的枠組みを提案する。
SDIRはまず安定な低周波合成骨格を抽出し、次いで物理的制約下で高周波テクスチャを反復的に洗練する。
3つのベンチマークで実験したところ、SDIRは空間精度でSOTA法を著しく上回っている。
- 参考スコア（独自算出の注目度）: 21.300422393514804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate precipitation nowcasting is vital for disaster mitigation, but deep learning methods face a key trade-off: regression models produce over-smoothed, spectrally decaying predictions that blur convective details and violate turbulence power laws; diffusion models generate realistic yet unanchored hallucinations lacking physical grounding. We propose Spectral-Decoupled Iterative Refinement (SDIR), a deterministic framework that reformulates nowcasting as progressive frequency-decoupled refinement. SDIR first extracts a stable low-frequency synoptic skeleton, then iteratively refines high-frequency textures under physical constraints, eliminating both blurring and hallucinations. It features a dual-path design: the Synoptic Frequency-Guided Former (SFG-Former) with Scale-Adaptive Transformers for global structure, and the Fourier Residual Refiner (FR-Refiner) with Scale-Conditioned Fourier Neural Operators for fine residuals. A Physically Consistent Power Spectral Density (PCPSD) loss with dynamic masking enforces a turbulence-consistent spectral distribution. Experiments on three benchmarks show SDIR significantly outperforms SOTA methods in spatial accuracy while achieving spectral fidelity competitive with diffusion-based methods, enabling reliable high-resolution operational nowcasting. Code link: https://github.com/RuntimeWarning/SDIR.
- Abstract（参考訳）: 回帰モデルは、対流的な詳細を曖昧にし、乱流の力法に反する、過度に滑らかでスペクトル的に崩壊する予測を生成する。
本稿では, スペクトル分離型反復精錬(SDIR)を提案し, 現況をプログレッシブ周波数分離精錬として再構成する決定論的枠組みを提案する。
SDIRは、まず安定な低周波合成骨格を抽出し、その後、物理的制約の下で高周波テクスチャを反復的に洗練し、ぼやけと幻覚の両方を除去する。
グローバルな構造にスケール適応トランスフォーマーを備えたSynoptic Frequency-Guided former (SFG-Former) と、微細な残留物のためのスケールコンディションされたフーリエニューラル演算子を備えたフーリエ残留リファイナ (FR-Refiner) である。
動的マスキングによる物理的に一貫したパワースペクトル密度(PCPSD)の損失は、乱流-一貫したスペクトル分布を強制する。
3つのベンチマーク実験により、SDIRは拡散法と競合するスペクトル忠実度を達成しつつ、空間的精度でSOTA法を著しく上回り、信頼性の高い高精細な運用時放送を可能にした。
コードリンク:https://github.com/RuntimeWarning/SDIR。
関連論文リスト
- AnyBand-Diff: A Unified Remote Sensing Image Generation and Band Repair Framework with Spectral Priors [10.352581041881864]
本稿では,頑健なスペクトル再構成に適したスペクトル優先拡散フレームワークであるAnyBand-Diffを紹介する。
ラジオメトリックの忠実性を確保するため,物理誘導サンプリング機構を提案する。
実験は、AnyBand-Diffが信頼できる画像を生成するための有効性を確認する。
論文 参考訳（メタデータ） (2026-05-14T04:04:34Z) - HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。
本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
論文 参考訳（メタデータ） (2026-05-13T14:14:13Z) - Bridging Restoration and Generation Manifolds in One-Step Diffusion for Real-World Super-Resolution [22.963799508399365]
最近の単一段階蒸留は推論を加速するが、認識歪んだトレードオフに直面している。
実時間ISR(IDaS-SR)の適応的インバージョンと劣化認識サンプリングを提案する。
IDaS-SRは決定論的復元と生成のボトルネックを埋める一段階のフレームワークである。
論文 参考訳（メタデータ） (2026-04-27T07:43:00Z) - DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。
我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。
この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
論文 参考訳（メタデータ） (2026-04-08T07:01:24Z) - Spectral Gating Networks [65.9496901693099]
我々は、フィードフォワードネットワークに周波数リッチな表現性を導入するために、スペクトルゲーティングネットワーク(SGN)を導入する。
SGNは、標準活性化経路をコンパクトなスペクトル経路と学習可能なゲートで拡張し、安定したベース動作からモデルを開始することができる。
計算予算に匹敵する精度と効率のトレードオフを継続的に改善する。
論文 参考訳（メタデータ） (2026-02-07T20:00:49Z) - ConsistentRFT: Reducing Visual Hallucinations in Flow-based Reinforcement Fine-Tuning [85.20505958752928]
フローベースモデル上での強化ファインチューニング(RFT)は、優先順位調整に不可欠である。
RFTは、過度に最適化された詳細や意味的なミスアライメントのような視覚幻覚をしばしば導入する。
この研究は、なぜ視覚幻覚が生じるのか、どのようにそれらを減らすのかを予備的に探求する。
論文 参考訳（メタデータ） (2026-02-03T11:49:46Z) - WADEPre: A Wavelet-based Decomposition Model for Extreme Precipitation Nowcasting with Multi-Scale Learning [10.39382090254482]
WADEPre はウェーブレットに基づく極度の降水に対する分解モデルであり、モデリングをウェーブレット領域に遷移させる。
SEVIRとShanghai Radarデータセットの実験は、WADEPreが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-02-02T13:40:57Z) - Iterative Inference-time Scaling with Adaptive Frequency Steering for Image Super-Resolution [75.3690742776891]
適応周波数ステアリング(IAFS)を用いた反復拡散推論時間スケーリングを提案する。
IAFSは、構造的偏差の反復的補正によって生成した画像を徐々に精細化することで、知覚品質と構造的忠実性のバランスをとるという課題に対処する。
実験の結果、IAFSは知覚と忠実性の対立を効果的に解決し、知覚の細部と構造的精度を一貫して改善し、既存の推論時間スケーリング手法よりも優れていた。
論文 参考訳（メタデータ） (2025-12-29T15:09:20Z) - Lazy Diffusion: Mitigating spectral collapse in generative diffusion-based stable autoregressive emulation of turbulent flows [0.0]
標準DDPMは基本的な赤外崩壊を引き起こすことを示す。
拡散時間内に微細構造を深く保存するパワー・ロー・スケジュールを導入する。
これらの手法はレイノルズ数2Dコルモゴロフ乱流とメキシコ湾の1/12円の海面再解析に応用される。
論文 参考訳（メタデータ） (2025-12-10T12:05:32Z) - Latent Harmony: Synergistic Unified UHD Image Restoration via Latent Space Regularization and Controllable Refinement [89.99237142387655]
LH-VAEを導入し、視覚的意味的制約や進行的劣化による意味的堅牢性を高める。
Latent Harmonyは、UHD修復のためのVAEを再定義する2段階のフレームワークである。
実験により、Latent HarmonyはUHDおよび標準解像度タスクにまたがって最先端のパフォーマンスを実現し、効率、知覚品質、再現精度を効果的にバランスさせることが示されている。
論文 参考訳（メタデータ） (2025-10-09T08:54:26Z) - Turb-L1: Achieving Long-term Turbulence Tracing By Tackling Spectral Bias [43.0262112921538]
本稿では,革新的な乱流予測法であるTurb-L1を提案する。
クロススケールな相互作用を正確に捉え、高周波力学の忠実さを保っている。
長期的な予測では、平均正方形誤差(MSE)を80.3%、構造類似度(SSIM)をSOTAベースラインと比較して9ドル以上値下げする。
論文 参考訳（メタデータ） (2025-05-25T08:38:55Z)
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。