A Likelihood-Based Generative Approach for Spatially Consistent Precipitation Downscaling

要約

深層学習は、降水量のダウンスケーリングのための有望なツールとして浮上しています。
ただし、現在のモデルは、降水量分布を適切にモデル化するために尤度ベースの損失関数に依存しているため、サンプリング時に空間的に一貫性のない予測が発生します。
この研究では、生成モデルで使用される尤度ベースの損失と敵対的損失の長所を融合することにより、新しいアプローチを探求します。
その結果、両方の方法の利点を活用して、降水量ダウンスケーリングのための尤度ベースの生成アプローチを提案します。

要約(オリジナル)

Deep learning has emerged as a promising tool for precipitation downscaling. However, current models rely on likelihood-based loss functions to properly model the precipitation distribution, leading to spatially inconsistent projections when sampling. This work explores a novel approach by fusing the strengths of likelihood-based and adversarial losses used in generative models. As a result, we propose a likelihood-based generative approach for precipitation downscaling, leveraging the benefits of both methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google