通过构建一个基于生成对抗网络的多层级雨图生成模型，实现了在各种天气条件下测试视觉感知算法性能所需的数据生成，该模型能够生成不同强度的轻雨、中雨和大雨图像，并经过优化和调整来改善模式崩溃问题，相比于两个基准模型，测试数据集上 RCCycleGAN 的峰值信噪比 (PSNR) 提高了 2.58 dB 和 0.74 dB，结构相似性指数 (SSIM) 分别提高了 18% 和 8%，并进行了消融实验以验证模型调优的有效性。

Sep, 2023

准确的降水现在预测对于洪水预测、灾害管理、优化农业活动、管理交通路线和可再生能源至关重要。本研究将降水现在预测建模为一个时空图序列预测问题，并引入图形双流卷积注意融合 (GD-CAF)，该方法通过学习历史降水地图的时空图来预测未来时空位置的降水情况。经过实验证明，GD-CAF 模型优于其他模型，并提供了关于不同区域和时间步长之间最强连接的空间和时间注意力分数的平均季节化可视化，为模型的决策过程提供了进一步的洞察。

Jan, 2024

使用荷兰皇家气象研究所（KNMI）的降水和气象数据，我们设计了一种物理信息神经网络用于降水预报，该模型在生成对抗学习框架中直接将物理监督集成进去，并采用了 VQ-GAN 和 Transformer 生成器以及时间鉴别器，研究结果表明，PID-GAN 模型在降水预报下游指标上优于数值和 SOTA 深度生成模型。

Jun, 2024

使用深度生成模型从雷达数据预测监测降水，可以提高预测值和操作效用，尤其在预测较强降雨事件方面表现优秀。

Apr, 2021

本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

Oct, 2022

探索和建模降雨生成机制对于增加配对数据减轻降雨图像处理模型的训练任务至关重要，该研究提出了一种新颖的基于深度学习的降雨生成器，充分考虑了降雨背后的物理生成机制，并将基本降雨因素（即形状、方向、长度、宽度和稀疏度）的学习明确地编码到深度网络中。我们首次通过合理采用滤波器参数化技术实现了一个在降雨因素上可精细控制且能够纯粹通过数据学习这些因素的深度网络。我们的生成实验表明，由提出的降雨生成器生成的降雨不仅质量更高，而且对于去雨和下游任务比目前最先进的降雨生成方法更有效。此外，我们的配对数据增强实验，包括分布内和分布外（OOD），进一步验证了我们模型生成的样本的多样性，用于分布内去雨和 OOD 泛化任务。

Mar, 2024

提出了一个使用生成对抗网络和卷积神经网络相结合的新颖框架，该模型利用所有卫星数据进行训练，只使用高频红外和水汽数据提供强度估计，并且可以将最大估计频率从 3 小时提高到不到 15 分钟。

Oct, 2020

开发了一种用于美国本土的严重天气（龙卷风、冰雹和风阵）的概率预测的集成后处理方法，该方法结合了条件生成对抗网络（CGAN），一种深度生成模型，与卷积神经网络（CNN）来后处理对流允许模型（CAM）预报。

Oct, 2023

基于几何深度学习的时态图卷积网络（GCN）用于降水预报，通过优化训练过程中预测与真实像素值之间的 L1 损失来自动学习模拟栅格单元间的相互作用的邻接矩阵，并通过 GCN 层对空间关系进行优化，并使用不同核长度的一维卷积提取时间信息，最终结果通过邻域信息作为辅助输入层来改善，实验结果表明 GCNs 可提高云形的局部细节建模和预测准确性，从而降低误差度量。

Sep, 2023

提出 C2GAN，一种新型循环生成对抗网络，用于关键点引导的图像生成，图像生成器和关键点生成器相互交错地连接在一个可端到端学习的框架中，并形成三个循环子网络，可生成更加逼真的图像。

Aug, 2019