雨滴：基于词级注意力扩散的降水时序预报
计算机视觉与模式识别
2025-10-17 v1
摘要
降水时序预报（precipitation nowcasting）即从当前观测结果预测雷达回波序列，是由于大气内在混沌且时空耦合的动态导致其具有临渴难题。虽然近期基于扩散模型的研究尝试捕捉大尺度运动与细粒度随机变异性，但常因可扩展性问题而受限：潜在空间方法需要单独训练的自动编码器，增加复杂度并限制泛化；像素空间方法计算密集且常忽略注意力机制，降低其建模长程时空依赖能力。为此，我们提出一种集成注意力机制的Token级注意力方法，既用于U-Net扩散模型，也用于时空编码器，从而动态捕获多尺度空间互动与时序演化。与先前方法不同，本方法在无需额外潜在模块的情况下，原生集成注意力于架构中，避免了像素空间扩散通常产生的高资源成本。我们的 extensive 实验与可视化评估跨多样数据集表明，所提方法显著优于最先进的方法，在复杂降水预测场景中展现出卓越的局部保真度、泛化能力与鲁棒性。
引用
@article{arxiv.2510.14962,
title = {RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion},
author = {Thao Nguyen and Jiaqi Ma and Fahad Shahbaz Khan and Souhaib Ben Taieb and Salman Khan},
journal= {arXiv preprint arXiv:2510.14962},
year = {2025}
}