SRNDiff: Short-term Rainfall Nowcasting with Condition Diffusion Model

要約

拡散モデルは高品質でリアルなサンプルを生成できるため、画像生成に広く使用されています。
これは、画質の点でいくつかの制限がある敵対的生成ネットワーク (GAN) や変分オートエンコーダー (VAE) とは対照的です。降水予測タスクに拡散モデルを導入し、条件拡散モデルを使用した短期降水量ナウキャスティングを提案します。
SRNDiff と呼ばれる過去の観測データに基づいています。
SRNDiff は、ノイズ除去プロセスに追加の条件付きデコーダ モジュールを組み込むことにより、エンドツーエンドの条件付き降雨予測を実現します。
SRNDiff は、ノイズ除去ネットワークと条件付きエンコーダー ネットワークの 2 つのネットワークで構成されています。
条件付きネットワークは、複数の独立した UNet ネットワークで構成されます。
これらのネットワークは、さまざまな解像度で条件付き特徴マップを抽出し、条件付き生成の拡散モデルをガイドする正確な条件付き情報を提供します。SRNDiff は、より多くの計算リソースを必要としますが、予測精度の点で GAN を上回ります。SRNDiff モデルは、トレーニング中に GAN よりも高い安定性と効率を示します。
GANs ベースのアプローチにより、将来の実際の降水条件をより適切に反映する高品質の降水分布サンプルが生成されます。
これにより、降水量予測における拡散モデルの利点と可能性が完全に検証され、降雨予測を強化するための新たな洞察が得られます。

要約(オリジナル)

Diffusion models are widely used in image generation because they can generate high-quality and realistic samples. This is in contrast to generative adversarial networks (GANs) and variational autoencoders (VAEs), which have some limitations in terms of image quality.We introduce the diffusion model to the precipitation forecasting task and propose a short-term precipitation nowcasting with condition diffusion model based on historical observational data, which is referred to as SRNDiff. By incorporating an additional conditional decoder module in the denoising process, SRNDiff achieves end-to-end conditional rainfall prediction. SRNDiff is composed of two networks: a denoising network and a conditional Encoder network. The conditional network is composed of multiple independent UNet networks. These networks extract conditional feature maps at different resolutions, providing accurate conditional information that guides the diffusion model for conditional generation.SRNDiff surpasses GANs in terms of prediction accuracy, although it requires more computational resources.The SRNDiff model exhibits higher stability and efficiency during training than GANs-based approaches, and generates high-quality precipitation distribution samples that better reflect future actual precipitation conditions. This fully validates the advantages and potential of diffusion models in precipitation forecasting, providing new insights for enhancing rainfall prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google