基于生成式 3D 高斯溅写的任意分辨率大气下采样与预测
计算机视觉与模式识别
2026-04-13 v2 机器学习
摘要
虽然基于 AI 的数值天气预报(NWP)可实现快速预测，但生成高分辨率输出仍因有限的多尺度适应性和低效的数据表示而计算上昂贵。我们提出了基于 3D 高斯溅写的尺度感知视觉转换器(GSSA-ViT)，这是一种用于任意分辨率预测和灵活大气场下采样的新框架。具体而言，将纬度-经度网格点视为 3D 高斯的中心。引入基于生成式 3D 高斯的预测方案，用于估计未见样本的关键参数，包括协方差、属性和不透明度，从而提高泛化性并缓解过拟合。此外，设计了尺度感知注意力模块以捕获跨尺度依赖，使模型能够有效整合不同下采样比例间的信息，并支持连续分辨率适应。迄今为止，这是首个将生成式 3D 高斯建模与尺度感知注意力结合用于统一多尺度预测的 NWP 方法。在 ERA5 数据上实验表明，所提方法准确预测了 87 个大气变量的任意分辨率；在 ERA5 和 CMIP6 上评估显示，其在下采样任务中性能优越。该框架提供了一种高效且可扩展的解决方案，用于高分辨率、多尺度大气预测与下采样。代码已公开：https://github.com/binbin2xs/weather-GS。
引用
@article{arxiv.2604.07928,
title = {Generative 3D Gaussian Splatting for Arbitrary-ResolutionAtmospheric Downscaling and Forecasting},
author = {Tao Han and Zhibin Wen and Zhenghao Chen and Fenghua Lin and Junyu Gao and Song Guo and Lei Bai},
journal= {arXiv preprint arXiv:2604.07928},
year = {2026}
}
备注
20 pages, 13 figures