风动力学超分辨率的多模态条件复合无分类器引导
机器学习
2025-12-17 v1 人工智能
计算机视觉与模式识别
摘要
各种天气建模问题（如天气预报、优化风机布点等）需要大量获取高分辨率、高精度的风数据。然而，获取此类高分辨率风数据仍然是一项具有挑战性和昂贵的工作。传统的重建方法通常要么成本效益高，要么准确率高，但二者不可兼得。包括扩散模型在内的深度学习方法已被提出，通过利用自然图像超分辨率的进展来解决这一权衡。然而，风数据与自然图像不同，风超分辨率器通常使用超过10个输入通道，远多于自然图像中常见的3通道RGB输入。为更好地利用扩散模型中大量条件变量，我们提出了将无分类器引导（CFG）推广到多条件输入的方法。我们新颖的复合无分类器引导（CCFG）可以插入任何使用标准CFG dropout训练的预训练扩散模型中。我们证明CCFG在风超分辨率任务上的输出比CFG具有更高的保真度。我们提出了WindDM，一个用于工业规模风动力学重建的扩散模型，并利用了CCFG。WindDM在深度学习模型中实现了最先进的重建质量，成本比经典方法低多达1000倍。
引用
@article{arxiv.2512.13729,
title = {Composite Classifier-Free Guidance for Multi-Modal Conditioning in Wind Dynamics Super-Resolution},
author = {Jacob Schnell and Aditya Makkar and Gunadi Gani and Aniket Srinivasan Ashok and Darren Lo and Mike Optis and Alexander Wong and Yuhao Chen},
journal= {arXiv preprint arXiv:2512.13729},
year = {2025}
}