論文の概要: Physics-Guided Flow-Map Matching for Precipitation Nowcasting

• arxiv url: http://arxiv.org/abs/2609.37487v1
• Date: Sun, 27 Sep 2026 11:28:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.523333
• Title: Physics-Guided Flow-Map Matching for Precipitation Nowcasting
• Title（参考訳）: 降雨予報のための物理誘導型フローマップマッチング
• Abstract要約: 予測可能な対流を不確実な小規模から切り離す条件付きフローマップモデルを提案する。 4つのレーダベンチマークの実験では、PG-FMM法は24ベンチマーク中18ベンチマークにおいて最先端の指標を最小化しており、高利得の閾値では最大の利得を示している。
• 参考スコア（独自算出の注目度）: 40.42663898506377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precipitation nowcasting, generating future radar fields from past observations, is critical for flood warning and disaster response. It is also a demanding benchmark for spatiotemporal generative modeling, with chaotic dynamics, heavy-tailed intensities, and rare high-intensity structures that matter most. Deterministic models minimize a pixel loss and are driven toward the conditional mean, which blurs exactly those structures, while generative models that add a stochastic residual on top of a deterministic backbone inherit the same blur. We propose Physics-Guided Flow-Map Matching (PG-FMM), a conditional flow-map model that decouples predictable advection from uncertain small-scale detail. A frozen Lagrangian advection prior transports the radar field and supplies an explicit motion forecast, and a flow-map generative head, conditioned on the past frames and the prior rollout rather than summed onto it, produces sharp stochastic detail in four sampling steps. The prior serves only as guidance, so the head replaces blurred structure instead of inheriting it. Extensive experiments on four radar benchmarks show that PG-FMM outperforms state-of-the-art methods on 18 of 24 metrics, with the largest gains at heavy-rain thresholds, where the critical success index improves by up to 58.9%. The project page can be found at https://neurogica.github.io/PG-FMM.
• Abstract（参考訳）: 過去の観測から将来のレーダフィールドを生成する降水は今,洪水警報や災害対応に不可欠である。 また、カオス力学、重尾の強度、そして最も重要な希少な高強度構造を持つ時空間生成モデリングのための要求のベンチマークでもある。 決定論的モデルはピクセル損失を最小限に抑え、条件平均に向かって駆動されるが、決定論的バックボーンの上に確率的残留を加える生成モデルは同じ曖昧さを継承する。 本研究では,予測可能な対流を不確実な細部から分離する条件付きフローマップモデルとして,物理誘導フローマップマッチング(PG-FMM)を提案する。 凍結したラグランジアン対流がレーダフィールドを輸送し、明示的な運動予測を供給し、過去のフレームに条件付けされたフローマップ生成ヘッドと、4つのサンプリングステップでシャープな確率的詳細を生成する。 前者はガイダンスとしてのみ機能するため、ヘッドは継承する代わりにぼやけた構造を置き換える。 4つのレーダベンチマークによる大規模な実験によると、PG-FMMは24の指標のうち18の指標で最先端の手法よりも優れており、高い利得の閾値では最大で58.9%向上している。 プロジェクトのページはhttps://neurogica.github.io/PG-FMMで見ることができる。

関連論文リスト

• 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)
• Flow-Map GRPO: Reinforcement Learning for Few-Step Flow-Map Generators via Anchored Stochastic Composition [13.766141027420879]
  一貫性モデルやMeanFlowのような数ステップのフローマップジェネレータは、ノイズとデータの間の長距離トランスポートマップを直接学習することで、サンプリングを高速化する。 これらのモデルは典型的には決定論的であり、ポストトレーニング手法では最適化が困難である。 本稿では,数ステップのフローマップ生成のための決定論的ポストトレーニングフレームワークであるFlow-MapOを提案する。
  論文  参考訳（メタデータ） (2026-07-01T07:25:11Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• VMU-Diff: A Coarse-to-fine Multi-source Data Fusion Framework for Precipitation Nowcasting [9.702321405779513]
  既存の手法は、決定論的または確率論的モデルを構築するために、単一ソースのレーダーデータに依存している。 本稿では,新しい粗大な視覚マンバUnetと残留拡散(VMU-Diff)に基づく降水処理フレームワークを提案する。 SWANデータセットを用いた実験により,最先端手法による手法の改良が実証された。
  論文  参考訳（メタデータ） (2026-05-14T09:05:30Z)
• Rectifying Distribution Shift in Cascaded Precipitation Nowcasting [1.1724961392643483]
  降水流速計は、現在のレーダー観測を活用して、高潮予報を提供することを目的としている。 局所性の発生から平均場シフトの是正を明確に結合するフレームワークであるRectiを紹介する。 2つのレーダデータセットの実験により、Rectiは既存の最先端メソッドよりも大幅にパフォーマンスが向上していることが示された。
  論文  参考訳（メタデータ） (2025-11-19T02:06:30Z)
• 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)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• BlockGPT: Spatio-Temporal Modelling of Rainfall via Frame-Level Autoregression [7.192323743491843]
  BlockGPTはバッチトークン化を用いた生成自己回帰変換器である。 各フレーム内で自己注意とフレーム間の因果的注意を用いて、時空を分解する。 精度が向上し、カテゴリのメトリクスによって測定されるイベントのローカライゼーションが向上し、推論は同等のベースラインよりも最大31倍高速になる。
  論文  参考訳（メタデータ） (2025-10-07T11:52:32Z)
• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)

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。