論文の概要: NowcastDiT: Diffusion Transformers are Effective Precipitation Nowcasters

• arxiv url: http://arxiv.org/abs/2609.37038v1
• Date: Tue, 29 Sep 2026 08:48:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.340806
• Title: NowcastDiT: Diffusion Transformers are Effective Precipitation Nowcasters
• Title（参考訳）: NowcastDiT: 拡散トランスフォーマーは効果的な降水ノウキャスター
• Abstract要約: 降雨は今、強い時間的変動の下で正確な短期予測を要求する。 標準のDiffusion Transformerはすでに、降水処理のためのシンプルでスケーラブルな基盤を提供しています。 SEVIRとMRMSベンチマークの実験により、NowcastDiTは知覚品質と気象技術の両方において最先端のパフォーマンスを達成することが示された。
• 参考スコア（独自算出の注目度）: 56.17295910160714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precipitation nowcasting demands accurate short-term forecasts under strong spatiotemporal variability. Diffusion models are well suited to modeling complex precipitation distributions, yet existing approaches often introduce increasingly specialized designs, leaving the capability of a standard diffusion architecture underexplored. We show that a standard Diffusion Transformer already provides a simple and scalable foundation for precipitation nowcasting, with domain-specific requirements accommodated naturally within its design space. Based on this principle, we develop NowcastDiT and instantiate this flexibility through two complementary adaptations: a dynamics-aware noise prior for temporally coherent forecasts, and end-to-end reinforcement learning with timestep-aware rewards for meteorological skill. Experiments on SEVIR and MRMS benchmarks show that NowcastDiT achieves state-of-the-art performance in both perceptual quality and meteorological skill. These results suggest that standard DiT can serve as an effective foundation for precipitation nowcasting.
• Abstract（参考訳）: 降雨は今、強い時空間変動の下で正確な短期予測を要求する。 拡散モデルは複雑な降水分布をモデル化するのによく適しているが、既存のアプローチではより専門的な設計を導入し、標準的な拡散アーキテクチャの能力を過小評価している。 標準のDiffusion Transformerはすでに、雨量処理のためのシンプルでスケーラブルな基盤を提供しており、ドメイン固有の要件は、設計空間内で自然に適用可能であることを示す。 この原理に基づいて, 時間的コヒーレント予測に先立って動的に認識される雑音と, 気象技術に対する時間的報奨を伴うエンドツーエンドの強化学習の2つの相補的な適応により, NowcastDiT を開発し, この柔軟性のインスタンス化を行う。 SEVIRとMRMSベンチマークの実験により、NowcastDiTは知覚品質と気象技術の両方において最先端のパフォーマンスを達成することが示された。 これらの結果から,標準のDiTが降水源として有効であることが示唆された。

関連論文リスト

• REE-TTT: Highly Adaptive Radar Echo Extrapolation Based on Test-Time Training [9.41635584704307]
  深層学習に基づくRadar Echo Extrapolation (REE) が主流となっている。 本稿では,適応型テストタイムトレーニング(TTT)機構を組み込んだ新しいモデルであるREE-TTTを提案する。 クロスリージョンの極端降水シナリオ下での実験では、REE-TTTは予測精度と一般化において最先端のベースラインモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-01-04T17:06:48Z)
• FlowCast: Advancing Precipitation Nowcasting with Conditional Flow Matching [0.0]
  本研究では,コンディショナルフローマッチング(CFM)を降水処理に適用する最初のモデルであるFlowCastを紹介する。 拡散とは異なり、CFMは直接ノイズ・ツー・データマッピングを学習し、機能評価が大幅に少ない高速かつ高忠実なサンプル生成を可能にする。 実験の結果,FlowCastは予測精度で新たな最先端技術を確立していることがわかった。
  論文  参考訳（メタデータ） (2025-11-12T20:40:34Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• DuoCast: Duo-Probabilistic Diffusion for Precipitation Nowcasting [16.518247609148972]
  DuoCastは、降水予測を潜在部分空間でモデル化された低周波成分と高周波成分に分解する、二重拡散フレームワークである。 4つのベンチマークレーダデータセットの実験によると、DuoCastは最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2024-12-02T03:57:53Z)
• Precipitation Nowcasting Using Physics Informed Discriminator Generative Models [9.497627628556875]
  PySTEPSを含む最先端のモデルでは、予測不可能な分布パターンのため、極端な気象事象を正確に予測するのは難しい。 オランダ王立気象研究所の降水データと気象データを用いて降水流しを行う物理インフォームニューラルネットワークを設計する。 以上の結果から,PID-GANモデルは降水量で数値およびSOTA深部生成モデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-14T15:12:53Z)
• Extreme Precipitation Nowcasting using Transformer-based Generative Models [9.497627628556875]
  本稿では,Transformer ベースの生成モデル,すなわち NowcastingGPT with Extreme Value Loss (EVL) regularization を用いることにより,極端降水量減少に対する革新的なアプローチを提案する。 固定された極端表現を仮定せずにEVLを計算するための新しい手法を導入し、極端気象事象を捉える際の現在のモデルの限界に対処する。 本稿では, 降水量の定性的および定量的な分析を行い, 正確な降水予測を生成する上で, 提案した NowcastingGPT-EVL の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-06T18:39:41Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)

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。