English(EN) Guided Unconditional and Conditional Generative Models for Super-Resolution and Inference of Quasi-Geostrophic Turbulence

扩散模型增强了对稀疏数据的地球湍流推断

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-30 04:00

研究人员探索了四种生成扩散建模方法，用于在 beta 平面上对准地转湍流进行超分辨率和推断，使用了粗糙、稀疏和带有空隙的地球系统观测数据。两种引导方法，SDEdit 和 Diffusion Posterior Sampling (DPS)，调整了预训练的无条件模型，而两种条件模型则需要用配对数据进行重新训练。研究发现 SDEdit 产生了非物理结果，而 DPS 生成了平滑的特征。条件模型虽然需要更多努力，但重建了精细尺度的特征，与观测保持了周期一致性，并准确预测了湍流统计数据。 AI

影响展示了扩散模型从有限观测数据中提高复杂物理系统分辨率和推断的潜力。

排序理由学术论文，详细介绍了扩散模型在科学问题中的新颖应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Anantha Narayanan Suresh Babu, Akhil Sadam, Pierre F. J. Lermusiaux · 2026-06-30 04:00

Guided Unconditional and Conditional Generative Models for Super-Resolution and Inference of Quasi-Geostrophic Turbulence

arXiv:2507.00719v3 Announce Type: replace-cross Abstract: Typically, numerical simulations of Earth systems are coarse, and Earth observations are sparse and gappy. We apply four generative diffusion modeling approaches to super-resolution and inference of forced two-dimensional …

报道来源 [1]

Guided Unconditional and Conditional Generative Models for Super-Resolution and Inference of Quasi-Geostrophic Turbulence

相关实体

相关话题