基于商业微波链路和扩散模型先验的贝叶斯雨场重建
机器学习
2026-05-08 v1 应用统计
机器学习
摘要
商业微波链路（CMLs）提供密集的空间覆盖，用于降雨感知，但产生路径积分测量，使准确的地面级重建具有挑战。现有方法通常将CMLs简化为点传感器，忽略了与降雨相关的线积分关系，导致在异构降雨情况下性能下降。在本工作中，我们将雨场重建视为一个以扩散模型（DMs）作为高保真空间先验的贝叶斯逆问题。我们表明，扩散模型在保留关键降雨统计信息方面优于敞口高斯过程。将雨量估计表述为带有DM先验的贝叶斯逆问题，使我们能够使用诸多方法进行无训练后验抽样，包括Plug-and-Play、顺序蒙特卡罗和复制交换方法。在合成和真实世界数据集上的实验表明，我们的方法在各种CML基准重建方法上 consistently 实现了改进。
引用
@article{arxiv.2605.05520,
title = {Bayesian Rain Field Reconstruction using Commercial Microwave Links and Diffusion Model Priors},
author = {Badr Moufad and Albina Ilina and Hai Victor Habi and Salem Lahlou and Yazid Janati and Hagit Messer and Eric Moulines},
journal= {arXiv preprint arXiv:2605.05520},
year = {2026}
}
备注
Preprint