09:37
官方账号arXiv cs.LG@Abhishek A. Sabnis, Mihai Mitrea, Lya Lugon, Karine Sartelet, Marc Bocquet, Xiaoyuan Cheng, Shupeng Zhu, Sibo Cheng
推荐理由：研究者用扩散模型从少量监测站重建全城空气污染图，比传统确定性方法生成的模式更真实，还能跨时间迁移，值得关注。
空气质量重建
共 1 条相关 AI 资讯
7月29日
09:37
该论文提出一种基于扩散生成模型的框架，用于从稀疏监测站观测数据重建巴黎的四种主要污染物（NO2、O3、PM2.5和PM10）的分布。模型在模拟的全场数据上训练，并在9至28个监测站的真实观测上评估，与确定性深度学习模型进行基准对比。实验表明，生成模型在模拟验证数据上达到高结构相似度，并通过功率谱分析生成更符合现实的污染空间模式。作者还引入数据增强方法，使模型无需重新训练即可泛化到实际观测场景。