arXiv cs.AI· Ruian Tie, Wenbo Xiong, Zhengyu Shi, Xinyu Su, Chenyu jiang, Libo Wu, Hao Li·· 4 小时前AI 评分29
GCD:面向异构 GCM 零样本降尺度的 GCM 一致性扩散模型
GCD: GCM-consistent Diffusion for Zero-shot Downscaling across Heterogeneous GCMs
AI 导读
研究者提出 GCM 一致性扩散模型 GCD,用于异构 GCM 的零样本气候降尺度,通过地理条件化、谱滤波测量引导和蒸馏加速的共轭梯度引导,将推理从 1000 步扩散降至 6 步,同时保持与粗分辨率 GCM 输入的一致性。在五个异构 GCM 上,GCD 取得有竞争力的 99 百分位极端事件精度,并能在无需针对特定模型重训练的情况下重建合理的热带气旋高频结构。
正文 · AI 翻译
摘要:通用环流模型(GCM)的气候降尺度是一个不适定反问题,因为 GCM 输出与再分析场源自不同的动力系统,且缺乏精细尺度的时间配对。因此,监督方法依赖于合成退化或特定模型的适配,限制了在异构 GCM 之间的泛化能力。零样本扩散后验采样(DPS)通过将高分辨率气候先验与来自粗分辨率 GCM 输入的推理时约束相结合,避免了配对监督,但面临一致性与效率方面的挑战。我们提出 GCM 一致的零样本降尺度扩散模型(GCD),通过地理条件化、频谱滤波测量引导以及蒸馏加速的共轭梯度引导来应对这些挑战。GCD 将推理从 1,000 个扩散步减少到 6 步,同时保持与粗分辨率 GCM 输入的一致性。在五个异构 GCM 上,GCD 取得了有竞争力的第 99 百分位极端事件精度,并在无需针对特定模型重新训练的情况下重建出合理的高频热带气旋结构。Github:此 https URL
| 学科: | 人工智能(cs.AI) |
| 引用为: | arXiv:2601.21760 [cs.AI] |
| (或 arXiv:2601.21760v3 [cs.AI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2601.21760 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Ruian Tie [查看邮箱]
[v1]
2026年1月29日 星期四 14:14:41 UTC(11,268 KB)
[v2]
2026年2月8日 星期日 15:48:40 UTC(11,268 KB)
[v3]
2026年11月17日 星期二 05:18:26 UTC(13,878 KB)
来源:arXiv cs.AI · arxiv.org