May, 2023

通过最优传输和概率扩散模型进行统计降尺度处理：粗略去偏差，有条件地选样

PDF
TL;DR介绍了一种新的基于概率框架在非成对数据之间的统计降尺度方法，该方法将最优输运地图和基于后验条件采样的概率扩散模型相结合，从而不需要成对数据便能还原有偏差样本中的相关物理统计数据，并在天气和气候的数值模拟中得到了实用验证。
statistical downscalingprobabilistic frameworkoptimal transport mapprobabilistic diffusion modelphysical statistics
发现论文，激发创造
  • 使用扩散桥对流体流动进行非配对下采样

    本文提出了使用基于扩散映射的生成模型来降低理想地球物理流体模拟的方法，生成高分辨率图像，避免额外的校准或培训，并适用于多个源和目标域的组合，而不需要训练新模型。

    May, 2023

  • 基于光流引导扩散的降水概率降尺度化

    通过在 climate science 和 meteorology 领域中，利用 statistical downscaling 方法实现 local precipitation predictions 的数据驱动降尺度化，本研究通过扩展最近的视频扩散模型，结合光流和时间条件扩散模型，成功实现了高分辨率降水模式的预测。

    Dec, 2023

  • 气候变量下尺度处理与条件正态化流

    应用条件正规化流方法进行气候变量降尺度，成功对不同上采样因子的 ERA5 水含量数据集进行了性能展示，并展示了该方法能够通过拟合条件分布均值得出的标准差来评估预测的不确定性。

    May, 2024

  • 地球系统模型降水的条件扩散模型用于降尺度与偏差修正

    气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量并保留了大尺度空间模式。

    Apr, 2024

  • 基于扩散模型的东亚气候重建 180 年的概率降尺度

    通过引入扩散概率降尺度模型（DPDM），从 1° 分辨率高效地变换数据至 0.1° 分辨率，本研究解决了传统降尺度方法在面对不确定性时的局限性，并将该模型应用于东亚生成 180 年的月表面变量数据集，为理解过去几个世纪以来的当地尺度气候变化提供了更详细的视角。

    Feb, 2024

  • 基于最优传输的条件采样生成流

    提出了一种非参数生成模型，通过使用三角形状的传输映射来描述目标分布的条件分布，解决了基于参数的偏差和梯度优化器学习这些转换的可靠性问题。

    Jul, 2023

  • 使用传输映射的贝叶斯推断的多尺度策略

    介绍了一种利用多尺度分解的贝叶斯推断方法，通过利用条件独立性将计算量高的贝叶斯推断问题分解为两个阶段，并利用最优输运映射来描述粗细尺度数据之间的非高斯联合分布。这种方法在地下水流反演问题上展现出了出色的性能。

    Jul, 2015

  • 物理动力系统扩散模型中的用户定义事件采样与不确定性量化

    通过开发一种概率近似方案，使扩散模型能够在推理时间内有条件地采样非线性用户定义事件，从而匹配数据统计，即使从分布的尾部进行采样。

    Jun, 2023

  • 基于因子耦合的统计最优输运

    本文章提出了一种新的方法来估计高维中两个概率分布之间的 Wasserstein 距离和最优传输方案，该方法可以在各种任务中获得显著的改进，包括单细胞 RNA 测序数据的领域适应性。该方法基于低运输秩的耦合，解决了数据驱动最优传输中的维数灾难，并得到了理论分析的支持。

    Jun, 2018

  • 视频缩放的自条件概率学习

    本文提出了自条件概率框架的视频缩放方法，通过最大化概率来减少信息损失并保留更多有意义的信息，达到改善下游任务（如视频动作识别）、提高视频压缩效率等效果。该方法还进一步扩展到了有损视频压缩系统中，并且取得了在视频缩放、视频压缩和效率动作识别任务上的优越表现。

    Jul, 2021