利用生成对抗网络进行随机超分辨率,在时间演化大气场上进行下采样
本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构,以匹配高分辨率雷达测量数据。结果表明,该模型可以匹配现有的最佳降尺度方法,而且在像素、空间和统计数据上表现优异。
Apr, 2022
应对气候变化需要准确的本地气候信息,最近的研究使用生成对抗网络 (GANs) 这种深度学习方法,以高效地学习复杂分布和缩放气候变量。为了估计不确定性和表征极端事件的关键信息,捕捉缩放过程中的变异性至关重要。因为缩放是一个不确定问题,许多细致的状态在物理上与粗粒度状态一致。为了量化这个状态不明确的问题,缩放技术应该是随机的,并能够在低精度输入条件下从高精度分布中采样。我们提出了三种改进 GANs 随机校准的方法:a)在网络内部注入噪声,b)调整训练过程以明确考虑随机性,c)使用概率损失度量。我们首先在具有已知分布特性的合成数据集上测试了我们的模型,然后在实际缩放场景中进行了测试,从低分辨率气候协变量预测高分辨率风场分量。仅仅注入噪声即大大改善了在合成数据测试中的条件和完整分布的质量,但对风场缩放表现不佳,在这种情况下模型仍然缺乏离散度。对于风场缩放,我们发现调整训练方法并增加概率损失可以改善校准。最佳模型通过三种改变在捕捉高精度分布的完整变异性方面显示出了显著提升的技能,从而更好地描述极端情况。
May, 2024
使用基于生成对抗网络 (GANs) 的有条件 GAN 的 geospatial downscaling 方法,从低分辨率输入中生成高分辨率准确的气候数据集,并明确考虑了下尺度过程中的不确定性。
Feb, 2024
近年来,深度学习模型成功应用于增强低分辨率宇宙学模拟的小尺度信息,称为 “超分辨”。我们引入去噪扩散模型作为一种强大的生成模型,用于超分辨宇宙大尺度结构预测(首次在二维中作为概念验证)。通过开发一种新的 “滤波增强” 训练方法,重分配了像素级训练目标中不同尺度的重要性,以获得准确的小尺度结果。我们证明了我们的模型不仅能够产生令人信服的超分辨图像和功率谱,保持百分位水平的一致性,还能够重现与给定低分辨率模拟一致的小尺度特征的多样性,这对于这种超分辨模型作为宇宙结构形成的替代模型的有效性来说至关重要。
Oct, 2023
本研究运用生成对抗网络(GANs)和计算机视觉技术,通过图像超分辨率和深度学习方法,针对低分辨率全球再分析数据,生成逼真的高分辨率地表风场,并探究了 GANs 不同配置与低分辨率协变量对风场结构偏差产生的影响。
Feb, 2023
本文提出了 SRGAN 框架,通过引入对抗性损失和感知损失函数,成功应用 GAN 进行图像超分辨率,能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。
Sep, 2016
通过高分辨率风场的超分辨率处理,本研究展示了一种基于物理信息的超分辨率生成对抗网络(SR-GAN)的初步开发,可以将低分辨率的三维风场提升 9 倍,获得高保真度的风场数据,并大幅降低了高分辨率风场模拟的计算成本。
Dec, 2023
本文提出了一种基于生成对抗网络的图像和人脸超分辨率的方法,通过训练高分辨率到低分辨率的 GAN 和低分辨率到高分辨率的 GAN 两个阶段,可以有效地提高实际应用场景下的低分辨率图像的质量,进而在人脸超分辨率领域取得了显著成果。
Jul, 2018
这篇论文总结了使用深度学习算法,如生成对抗网络,进行超分辨率图像和视频研究的最新进展,提供了改进图像和视频质量的方法,如递归学习、新颖的损失函数、帧率增强和注意力模型集成。这些进展对于增加低分辨率视频的视觉清晰度和质量具有巨大潜力,可应用于监控技术、医学成像等多个领域。此外,这个集合还深入研究了生成对抗网络的更广泛领域,探讨了它们的原理、训练方法以及在各个领域的应用,同时强调了人工智能领域中不断发展和变化的挑战与机遇。
Dec, 2023
通过利用超分辨率生成对抗网络(SRGANs)提高地震工程领域一种传感器网络数据的分辨率,本研究为结构健康监测(SHM)系统中的传感器提供了成本效益和高效的改进方案。
Jan, 2024