論文の概要: Generative Models for Modeling and Synthesizing MIMO Channels in Adverse Weather Conditions
- arxiv url: http://arxiv.org/abs/2608.00156v1
- Date: Fri, 31 Jul 2026 17:51:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.5256
- Title: Generative Models for Modeling and Synthesizing MIMO Channels in Adverse Weather Conditions
- Title（参考訳）: 逆気象条件下におけるMIMOチャネルのモデリングと合成のための生成モデル
- Abstract要約: 低・中程度の気象条件下でチャネル状態情報(CSI)を生成する。
気象条件下での拡散モデルを用いて, 厳しい気象条件下でのチャネル実現を訓練する。
その結果、拡散に基づく生成モデルは、厳しい環境下でのチャネルモデリングにスケーラブルでデータ駆動的な代替手段を提供することが示された。
- 参考スコア（独自算出の注目度）: 16.00105287017421
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The push for broader coverage in future cellular networks depends on reliable service, yet this is increasingly harder to do as we encounter more instances of extreme weather conditions. In extreme weather conditions, we have difficulty evaluating coverage due to limited access to channel measurements. In this paper, we generate channel state information (CSI) in low and moderate weather conditions to synthesize realistic MIMO CSI under adverse weather conditions. Our primary contributions are to (1) synthesize MIMO channel datasets incorporating three weather types, each with three intensity levels, representative of practical 5G/6G scenarios; (2) train a diffusion model conditioned on weather using channel samples obtained through conventional pilot-based estimation under low and moderate weather intensities, and subsequently use it to generate channel realizations for severe weather conditions; and (3) evaluate the downlink Bit Error Rate (BER) and Outage Probability measures using the generated channels. The results show that diffusion-based generative models provide a scalable, data-driven alternative for channel modeling in harsh environments and can generalize to severe weather conditions using only low- and moderate-intensity training data.
- Abstract（参考訳）: 今後の携帯電話ネットワークの広範な展開は、信頼性の高いサービスに依存している。
極度の気象条件下では、チャネル計測への限られたアクセスのため、カバレッジを評価するのが困難である。
本稿では,低・中程度の気象条件下でチャネル状態情報(CSI)を生成し,悪天候条件下で現実的なMIMO CSIを合成する。
本研究の主な貢献は,(1)3種類の気象条件を組み込んだMIMOチャネルデータセットを合成すること,(2)低・中程度の気象条件下での従来のパイロットベース推定により得られたチャネルサンプルを用いて気象条件の拡散モデルを訓練すること,(3)ダウンリンクビット誤り率(BER)とアウトエイジ確率の指標を評価することである。
その結果,拡散型生成モデルは,厳しい環境下でのチャネルモデリングにスケーラブルでデータ駆動的な代替手段を提供し,低強度・中等度のトレーニングデータのみを用いて厳しい気象条件に一般化できることが示唆された。
関連論文リスト
- Stress-Testing Dynamical and Generative Downscaling Using Subseasonal Extreme Precipitation Forecasts [0.04598714030160204]
拡散モデルに対する気象調査・予測(WRF)モデルの評価を行った。
本研究では, 降水現象の時間的変動を動的にモデル化することで, 降水現象の時間的変化を予測できることを示す。
論文 参考訳（メタデータ） (2026-09-10T15:21:40Z) - EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。
EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。
実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
論文 参考訳（メタデータ） (2026-06-25T16:53:30Z) - Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。
本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
論文 参考訳（メタデータ） (2025-10-28T01:18:00Z) - Satellite Observations Guided Diffusion Model for Accurate Meteorological States at Arbitrary Resolution [48.34051432429767]
衛星観測(GridSat)を条件として,ERA5再解析データに基づいて事前学習した条件拡散モデルを提案する。
トレーニングの過程で,GridSat衛星観測から得られた情報を注意機構を介してERA5マップに融合することを提案する。
サンプリングでは、最適化可能な畳み込みカーネルを用いて、スケールアッププロセスをシミュレートした。
論文 参考訳（メタデータ） (2025-02-09T02:05:33Z) - Enhancing Weather Predictions: Super-Resolution via Deep Diffusion Models [0.0]
本研究では,気象データの超解像に対するディープラーニング拡散モデルの適用について検討した。
本稿では,低分解能気象データを高分解能出力に変換する手法を提案する。
論文 参考訳（メタデータ） (2024-06-06T14:15:12Z) - Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for
Video Adverse Weather Removal [53.15046196592023]
ビデオの悪天候除去におけるテスト時間適応について紹介する。
本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-12T14:21:30Z) - 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) - Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。
決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。
カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
論文 参考訳（メタデータ） (2023-12-11T02:38:07Z) - Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。
本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文 参考訳（メタデータ） (2023-08-13T09:51:16Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。
モデルの精度は、現在の最先端技術と併用するのに十分である。
論文 参考訳（メタデータ） (2020-08-25T02:41:32Z)
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。