확장 가능한 프레임워크를 이용한 확산 모델 기반의 결합 시공간 초해상화

딥러닝 비디오 초해상화(super-resolution)는 빠르게 발전했지만, 기후 응용 분야에서는 일반적으로 공간 또는 시간 중 하나만 초해상화하거나, 결합 시공간 모델은 종종 단일 쌍의 초해상화 계수(low-resolution sequence와 high-resolution sequence 사이의 공간 및 시간 비율을 높이는 것)를 위해 설계되어 공간 해상도와 시간 간격(프레임 속도) 전이(transfer)에 제한을 받습니다. 본 논문에서는 시공간 초해상화를 조건부 평균의 결정론적 예측(deterministic prediction of the conditional mean)과 어텐션(attention), 그리고 선택적인 질량 보존(mass-conservation, 입력과 출력에서 동일한 강수량을 유지하는 것) 변환을 가진 잔여 조건부 확산 모델(residual conditional diffusion model)로 분해함으로써, 모든 계수에 걸쳐 동일한 아키텍처를 재사용하는 확장 가능한 프레임워크를 제시합니다. 더 큰 SR 계수가 주로 조건부 평균 구조를 변경하기보다는 불확정성(underdetermination, 따라서 필요한 컨텍스트와 잔여 불확실성)을 증가시킨다고 가정하여, 규모 적응성은 재훈련 전에 세 가지 계수 의존적 하이퍼파라미터(hyperparameters)를 조정함으로써 달성됩니다. 즉, 확산 노이즈 스케줄 진폭 $eta$ (다양성을 높이기 위해 더 큰 계수에 대해 더 크게 설정), 시간 컨텍스트 길이 $L$ (간격 전반에 걸쳐 비교 가능한 어텐션 지평을 유지하도록 설정), 그리고 선택적으로 세 번째인 질량 보존 함수 $f$ (큰 계수에 대한 극단값 증폭을 제한하기 위해 조정)입니다. 프랑스 지역의 재분석 강수 데이터(Comephore)를 통해 시연된 결과, 동일한 아키텍처가 공간에서 1부터 25까지, 시간에서 1부터 6까지의 초해상화 계수를 포괄하며, 다양한 규모에 걸친 결합 시공간 초해상화를 위한 재사용 가능한 아키텍처와 조정 레시피를 제공합니다.