PixelFlowCast：基于像素平均流的免隐空间降水临近预报
计算机视觉与模式识别
2026-05-12 v1 机器学习
多智能体系统
摘要
降水临近预报旨在预测短期雷达回波序列以用于极端天气预警，其中预测保真度与推理效率对于实际部署至关重要。然而，基于扩散的模型尽管具有很强的生成能力，却因多步采样轨迹导致推理缓慢，限制了其实用性。Conditional Flow Matching (CFM) 通过直线化轨迹提升了效率，但依赖隐空间压缩，这不可避免地丢弃了高频物理细节并降低了细粒度预测质量。为了解决这些局限性，我们提出了 PixelFlowCast，这是一个无需隐空间压缩即可同时实现高效率和高保真度预测的两阶段概率预报框架。具体而言，在第一阶段，确定性模型首先生成粗略预报以捕捉全局演变趋势。在随后的阶段中，所提出的 KANcondNet 提取深度时空演变特征以提供准确的条件引导。基于此，一个免隐空间、少步的 Pixel Mean Flows (PMF) 预测器采用 预测机制生成高质量预测，在保持快速推理的同时有效保留了细粒度结构。在公开的 SEVIR 数据集上的实验表明，PixelFlowCast 在预测精度和推理效率上均优于现有主流方法，特别是在长序列预报方面，突显了其在实际业务部署中的巨大潜力。
引用
@article{arxiv.2605.10046,
title = {PixelFlowCast: Latent-Free Precipitation Nowcasting via Pixel Mean Flows},
author = {Yufeng Zhu and Chunlei Shi and Yongchao Feng and Dan Niu},
journal= {arXiv preprint arXiv:2605.10046},
year = {2026}
}
备注
26 pages, 7 figures