Transformadores de visión conscientes de la frecuencia para la superresolución de alta fidelidad de modelos del...

Área de la Ciencia:

• Ciencia Climática
• Modelado del Sistema Terrestre
• Inteligencia Artificial

Sus antecedentes:

• Las simulaciones gruesas del Modelo del Sistema Terrestre (ESM) carecen de la fidelidad espacial crucial para la ciencia climática.
• Los métodos tradicionales de superresolución profunda a menudo introducen sesgo espectral, favoreciendo los detalles de baja frecuencia sobre la información de alta frecuencia.

Objetivo del estudio:

• Desarrollar nuevos marcos de aprendizaje profundo conscientes de la frecuencia para mitigar el sesgo espectral en la superresolución de ESM.
• Mejorar la reconstrucción de estructuras a pequeña escala y detalles de alta frecuencia en datos climáticos.

Principales métodos:

• Se introdujo ViSIR (Transformador de Visión-Ajustado Representación Sinusoidal Implícita) que combina transformadores de visión con activaciones sinusoidales.
• Se desarrolló ViFOR (Transformador de Visión Red de Representación de Fourier) que integra el filtrado explícito de Fourier para el aprendizaje independiente de frecuencias.
• Se evaluaron modelos en el conjunto de datos E3SM-HR del sistema terrestre para la temperatura superficial, flujos de onda corta y larga.

Principales resultados:

• ViSIR y ViFOR superaron a las Redes Neuronales Convolucionales (CNN), las Redes Generativas y los transformadores vanilla.
• ViFOR logró hasta 2.6 dB de mejora en la Relación Señal-Ruido Pico (PSNR).
• Ambos modelos demostraron una calidad estructural (SSIM) superior en comparación con los métodos de referencia.

Conclusiones:

• Los marcos conscientes de la frecuencia como ViSIR y ViFOR abordan eficazmente el sesgo espectral en la superresolución de ESM.
• Estos modelos mejoran significativamente la fidelidad espacial de los resultados de la simulación climática.
• ViFOR muestra una promesa particular para la reconstrucción de datos climáticos de alta fidelidad.