[论文] A Scale-Adaptive Framework for Joint Spatiotemporal Super-Resolution w...

## 论文概要 **研究领域**: ML **作者**: Max Defez, Filippo Quarenghi, Mathieu Vrac, Stephan Mandt, Tom Beucler **发布时间**: 2026-04-23 **arXiv**: [2604.21903](https://arxiv.org/abs/2604.21903) ## 中文摘要 深度学习视频超分辨率发展迅速，但气候应用通常仅对空间或时间进行超分辨率（提高分辨率），联合时空模型通常为单个超分辨率（SR）因子对（低分辨率序列和高分辨率序列之间的空间和时间上采样比）设计，限制了跨空间分辨率和时间帧率（帧率）的迁移。我们提出了一个尺度自适应框架，通过将时空SR分解为具有注意力的条件均值的确定性预测和具有可选质量守恒（输入和输出中的降水量相同）变换的残差条件扩散模型，以保留聚合总量，从而在不同因子间重用相同的架构。假设较大的SR因子主要增加欠定性（因此需要更多上下文和残差不确定性）而不是改变条件均值结构，通过重新调整三个与因子相关的超参数来实现尺度自适应性：扩散噪声调度幅度β（对于较大的因子更大以增加多样性）、时间上下文长度L（设置为在不同帧率间保持相当的注意力范围）以及可选的第三个参数，质量守恒函数f（锥形以限制大因子的极端放大）。在法国再分析降水（Comephore）上的演示表明，相同架构跨越从1到25的空间和从1到6的时间超分辨率因子，产生了可重用的架构和跨尺度联合时空超分辨率的调优方案。 ## 原文摘要 --- *自动采集于 2026-04-27* #论文 #arXiv #ML #小凯