論文の概要: Scale-Recursive Rectified Flows for Few-Step Precipitation Ensembles

• arxiv url: http://arxiv.org/abs/2610.02611v1
• Date: Fri, 02 Oct 2026 00:11:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.131672
• Title: Scale-Recursive Rectified Flows for Few-Step Precipitation Ensembles
• Title（参考訳）: 高速降雨アンサンブルのためのスケール再帰整流流れ
• Abstract要約: 生成モデルは、可塑性高分解能降雨場のアンサンブルを生成する。 本稿では,局所的な詳細よりも先に広いパターンを生成する大規模再帰的整流流を提案する。 粗い流れにより多くのステップを割り当てると、確率的精度が向上し、一定のアーキテクチャと計算コストで訓練種子を横切る雨の検出が可能になった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-resolution precipitation estimates support flood risk assessment and water management, but coarse satellite products cannot resolve rainfall within each grid cell. Generative models address this ambiguity by producing ensembles of plausible high-resolution rainfall fields. Among these models, rectified flows generate samples by iteratively transforming random noise into rainfall fields. Reducing the number of sampling steps accelerates generation but can make ensemble members too similar, understating uncertainty. We propose a scale-recursive rectified flow that generates broad patterns before local details and guides sampling-step allocation by comparing ensemble variability with prediction error across spatial scales. Validation scores and rainfall power spectra constrain the allocation to avoid excessive amplification. In satellite-to-radar downscaling over the contiguous United States, our analysis identified broad rainfall patterns as the main source of insufficient ensemble variability under reduced sampling budgets. Allocating more steps to the coarse flow improved probabilistic accuracy and rain detection across training seeds at fixed architecture and computational cost. The proposed model also achieved better probabilistic accuracy with shorter sampling time than a nonrecursive flow using more steps.
• Abstract（参考訳）: 微視的な降水量推定は洪水リスク評価と水管理を支援するが、粗い衛星製品は各グリッドセル内の降雨を解決できない。 生成モデルは、高分解能降雨場のアンサンブルを生成することによって、この曖昧さに対処する。 これらのモデルの中で、整流流はランダムノイズを降雨場に反復的に変換することでサンプルを生成する。 サンプリングステップの数を減らすことで生成が加速するが、アンサンブルメンバーが似すぎ、不確実性を抑えることができる。 本研究では,局所的な細部よりも先に広いパターンを生成するスケール再帰的整流流を提案し,アンサンブル変動と空間スケール間の予測誤差を比較してサンプリングステップの割り当てを導出する。 検証スコアと降水パワースペクトルは、過度の増幅を避けるために割り当てを制限します。 アメリカ合衆国上空の衛星とレーダーのダウンスケーリングでは,サンプリング予算の削減の下でのアンサンブル変動が不十分な主な原因として,広範降雨パターンが同定された。 粗い流れにより多くのステップを割り当てると、確率的精度が向上し、一定のアーキテクチャと計算コストで訓練種子を横切る雨の検出が可能になった。 提案モデルはまた, より多くのステップを用いた非再帰流よりも, サンプリング時間を短縮し, 確率的精度も向上した。

関連論文リスト

• From Drops to Grid: Noise-Aware Spatio-Temporal Neural Process for Rainfall Estimation [5.811451458065085]
  本研究では,レーダからの空間的文脈で,民間気象観測所を融合させて豪雨場を生成するDropsToGridを提案する。 実世界のデータセットの評価によると、DropsToGridは運用ベースラインとディープラーニングベースラインの両方でパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2026-05-07T09:22:37Z)
• Bayesian Rain Field Reconstruction using Commercial Microwave Links and Diffusion Model Priors [30.10590403450492]
  我々は、拡散モデル(DM)を用いたベイズ逆問題として、雨田再建を高忠実度空間先行問題と見なしている。 拡散モデルはガウス過程よりも重要な降雨統計を保存しやすいことを示す。 合成および実世界のデータセットの実験は、確立されたCMLベースの再構築ベースラインよりも一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-05-06T23:36:46Z)
• One Scale at a Time: Scale-Autoregressive Modeling for Fluid Flow Distributions [26.06889184077997]
  本稿では,非構造メッシュ上の流れを粗大から微少に階層的にサンプリングするためのスケール・オート回帰モデリング(SAR)を提案する。 これは、最先端拡散モデルよりも分布誤差が著しく低く、サンプルごとの精度が高い。
  論文  参考訳（メタデータ） (2026-04-13T12:44:04Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Efficiently Generating Correlated Sample Paths from Multi-step Time Series Foundation Models [66.60042743462175]
  時系列基礎モデルから正確な相関サンプルパスを効率的に生成するためのコプラに基づく手法を提案する。 提案手法は, 自己回帰サンプリングよりもはるかに高速に相関したサンプルパスを生成する。
  論文  参考訳（メタデータ） (2025-10-02T17:08:58Z)
• Downscaling Extreme Precipitation with Wasserstein Regularized Diffusion [18.008592164636664]
  レーダーとメソネットのネットワークは1kmの解像度で降水場を提供するが、歴史的および地理的な範囲は限られている。 ゲージベースの記録と分析製品は、数十年の時間を世界規模でカバーしていますが、解像度は30～50kmに過ぎません。 本研究では,低分解能ゲージおよび再分析生成物から降水場をダウンスケールする拡散フレームワークであるWasserstein Regularized Diffusion (WassDiff)を提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:12:40Z)
• TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
  本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。 その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。 提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-15T03:27:39Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)

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。