論文の概要: Iterative Refinement Diffusion for Super-Resolved Data Assimilation of Multiscale Physical Systems

• arxiv url: http://arxiv.org/abs/2608.14744v1
• Date: Thu, 13 Aug 2026 22:45:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.061277
• Title: Iterative Refinement Diffusion for Super-Resolved Data Assimilation of Multiscale Physical Systems
• Title（参考訳）: マルチスケール物理系の超解像データ同化に対する反復的再微細化拡散
• Abstract要約: イテレーティブ・リファインメント(Iterative Refinement, IR)は、時間的事前の視点、生成的修正、多分解能再構成を組み合わせた学習データ同化フレームワークである。 256x256 Kraichnanベンチマークでは、IRは0.184のRMSEと0.836のSSIMを達成し、スペクトルアップサンプリング、ワンショット拡散超解像、拡張深度超解像、自己回帰予測器を上回ります。
• 参考スコア（独自算出の注目度）: 11.5117887420162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering high-resolution states from sparse, low-resolution observations is a central challenge in scientific machine learning and data assimilation. Classical data assimilation exploits temporal information through forecast-analysis cycles, but often requires repeated access to expensive high-resolution forecast models. Generative super-resolution can recover unresolved structure from coarse observations, but is commonly used as a one-shot mapping that does not fully exploit constraints from past states. We introduce Iterative Refinement (IR), a learned data assimilation framework that combines these perspectives. Instead of performing a single coarse-to-fine reconstruction, IR decomposes the task into resolution-wise forecast-analysis operations across a multiresolution hierarchy. At each stage, a shared neural operator with resolution-dependent spectral mode slicing provides a dynamical prior, while a shared conditional diffusion corrector uses the current coarser-resolution state to produce a refined posterior at the next finer resolution. We evaluate IR on one-dimensional stochastically forced Burgers dynamics and two-dimensional Kraichnan turbulence. On the challenging 256x256 Kraichnan benchmark, IR achieves an RMSE of 0.184 and an SSIM of 0.836, outperforming spectral upsampling, one-shot diffusion super-resolution, enhanced deep super-resolution, and an autoregressive forecaster. On the more constrained Burgers testbed, IR remains competitive with one-shot diffusion, which achieves the lowest RMSE. These results show that one-shot generative reconstruction can be effective for simpler settings, while hierarchical forecast-analysis refinement becomes advantageous in strongly multiscale and underdetermined regimes. Overall, IR combines temporal priors, generative correction, and multiresolution reconstruction for learned data assimilation in complex physical systems.
• Abstract（参考訳）: スパースで低解像度の観測から高解像度の状態を復元することは、科学的な機械学習とデータ同化における中心的な課題である。 古典的なデータ同化は、予測分析サイクルを通じて時間情報を利用するが、しばしば高価な高解像度の予測モデルに繰り返しアクセスする必要がある。 生成超解像は粗い観測から未解決構造を復元することができるが、過去の制約を完全に活用しないワンショットマッピングとして一般的に用いられている。 我々はこれらの視点を組み合わせた学習データ同化フレームワークであるIterative Refinement(IR)を紹介する。 IRは、1つの粗大な再構成を実行する代わりに、タスクを多分解能階層をまたいだ解像度ワイドな予測分析操作に分解する。 各段階において、分解能依存スペクトルモードスライシングを有する共有ニューラル演算子は、動的事前を与える一方、共有条件拡散補正器は、現在の粗解状態を使用して、次の微細解で洗練された後部を生成する。 1次元確率強制バーガース力学と2次元クライシュナン乱流に対するIRの評価を行った。 256x256 Kraichnanベンチマークでは、IRは0.184のRMSEと0.836のSSIMを達成し、スペクトルアップサンプリング、ワンショット拡散超解像、拡張深度超解像、自己回帰予測器を上回ります。 より制約のあるバーガーズの試験台では、IRは単発拡散と競合し、最低のRMSEを達成する。 これらの結果から, 階層的予測分析の洗練は, マルチスケール・過小評価体制において有利となる一方, ワンショット生成の再構築は, より簡単な設定に有効であることが示唆された。 全体として、IRは、複雑な物理系における学習データ同化のための時間的先行、生成的補正、多分解能再構成を組み合わせたものである。

関連論文リスト

• RDDMPI: Residual Denoising Diffusion Model for Probabilistic Multivariate Time Series Imputation [2.589687124983865]
  マルチ時間系列計算は、複数の変数からなる時間データの欠落した値を復元することを目的としている。 この問題は、医療監視、交通ネットワーク、エネルギーシステムといった現実世界のアプリケーションの中心である。 近年の拡散型アプローチは,反復的 denoising による欠落値の生成を学習することで,確率論的計算の可能性を強く示している。
  論文  参考訳（メタデータ） (2026-09-10T14:53:38Z)
• CG-GLORE: A Conjugate Gradient-Based Global-Local Regularization Network for Sparse-View CT Reconstruction [3.7567584936415166]
  スパースビューCT (Sparse-view Computed Tomography) はプロジェクションビューを少なくすることで放射線線量を減らすが、結果として生じる逆問題は非常に悪化する。 既存のディープリコンストラクション手法は有望な性能を達成したが、多くは1次更新や大規模な正規化ネットワークに依存している。 スパース・ビューCT再構成のための2次最適化にインスパイアされた,コンパクトなディープ・アンローリング・フレームワークである textbfCG-GLORE を提案する。
  論文  参考訳（メタデータ） (2026-08-15T14:08:44Z)
• 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)
• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• RI-Loss: A Learnable Residual-Informed Loss for Time Series Forecasting [13.117430904377905]
  時系列予測は、過去のデータから将来の値を予測することに依存する。 MSEには2つの根本的な弱点がある:そのポイントワイドエラーは時間的関係を捉えるのに失敗し、データに固有のノイズを考慮しない。 我々は,Hilbert-Schmidt Independence Criterion(HSIC)に基づく新たな目的関数であるResidual-Informed Loss(RI-Loss)を紹介する。
  論文  参考訳（メタデータ） (2025-11-13T09:36:00Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:43:35Z)
• Reconciling Stochastic and Deterministic Strategies for Zero-shot Image Restoration using Diffusion Model in Dual [47.141811103506036]
  我々はDualにおけるReconciling Model(RDMD)と呼ばれる新しいゼロショット画像復元手法を提案する。 RDMDはbftextsingle事前学習拡散モデルのみを使用してテキスト2正規化器を構成する。 提案手法は,FFHQ と ImageNet の両方のデータセットに対する既存手法と比較して,優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-03-03T08:25:22Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Fast Distributionally Robust Learning with Variance Reduced Min-Max Optimization [85.84019017587477]
  分散的ロバストな教師付き学習は、現実世界のアプリケーションのための信頼性の高い機械学習システムを構築するための重要なパラダイムとして登場している。 Wasserstein DRSLを解くための既存のアルゴリズムは、複雑なサブプロブレムを解くか、勾配を利用するのに失敗する。 我々はmin-max最適化のレンズを通してwaserstein drslを再検討し、スケーラブルで効率的に実装可能な超勾配アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-04-27T16:56:09Z)

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。