面向联合时空超分辨的尺度自适应框架：基于扩散模型
机器学习
2026-04-24 v1 人工智能
摘要
深度学习视频超分辨率取得了快速进展，但气候应用通常只在空间或时间上进行超分辨率（增加分辨率），且联合时空模型通常为单一对超分辨率 (SR) 因子 (在低分辨率序列和高分辨率序列之间进行空间和时间的放大比率) 设计，限制了跨空间分辨率和时间步调 (帧率) 的迁移。我们提出了一个尺度自适应框架，通过分解时空 SR 为确定性条件均值预测（带注意力）和残差条件扩散模型（可选质量守恒变换，以保持总量），实现了跨因子重用相同的体系结构。假设更大的 SR 因子主要增加下确定性（因此需要更多上下文和残差不确定性），而非改变条件均值结构，通过调整三个因子相关的超参数实现尺度自适应：扩散噪声调度幅度 beta（因子更大时更大以增加多样性）、时间上下文长度 L（保持跨步调的注意力视野相当）以及可选的第三个质量守恒函数 f（针对大因子采用收敛函数，以限制极端值的放大）。在法国的再分析降水数据 (Comephore) 上进行实验，同一体系结构跨空间因子从 1 到 25，跨时间因子从 1 到 6，实现了时空超分辨率跨尺度的可重用体系结构和调参配方。
引用
@article{arxiv.2604.21903,
title = {A Scale-Adaptive Framework for Joint Spatiotemporal Super-Resolution with Diffusion Models},
author = {Max Defez and Filippo Quarenghi and Mathieu Vrac and Stephan Mandt and Tom Beucler},
journal= {arXiv preprint arXiv:2604.21903},
year = {2026}
}