顶会 AAAI 2026 | 东南大学等提出WaveC2R：小波变换+Diffusion，刷新卫星雷达反演SOTA！

AAAI 2026 | 东南大学等提出WaveC2R：小波变换+Diffusion，刷新卫星雷达反演SOTA！

【导读】 卫星雷达反演是填补地面雷达覆盖盲区的关键技术。然而，现有的方法往往难以兼顾降水强度的准确性与气象边界的清晰度。

近日，东南大学、中山大学、北航及清华大学的研究团队在人工智能顶会AAAI 2026上发表了最新研究成果WaveC2R。该工作巧妙地利用小波变换将物理特性解耦，并结合扩散模型进行精细化反演，在SEVIR数据集上取得了SOTA性能，尤其在极端天气下的表现令人印象深刻！

01 背景：卫星反演的“模糊”困境

地面天气雷达是监测降水的“金标准”，但在海洋、山区或贫困地区，地面雷达的覆盖往往存在巨大的盲区。利用静止卫星（如葵花8、风云4B）的观测数据来反演雷达回波（Radar Retrieval），成为了填补这些盲区的有效手段。

然而，现有的深度学习方法（如CNNs、ViTs）面临两大挑战：

1.信息源单一：大多仅依赖红外通道，忽略了可见光和闪电数据的互补性。

2.高频细节丢失：传统方法倾向于生成平滑的“模糊”图像，难以捕捉强对流核心和锋利的降水边界，导致对极端天气的预报能力不足。

02 核心洞察：频率里的物理学

为了解决上述问题，作者团队提出了一个关键的物理洞察：

·低频分量（Low-Frequency）：主要编码了降水的强度分布（Intensity）。

·高频分量（High-Frequency）：主要捕捉了气象系统的空间边界（Boundaries）。

基于此，团队提出了WaveC2R (Wavelet-Driven Coarse-to-Refined Hierarchical Learning)框架。

Figure 2：展示小波分解后低频代表强度、高频代表边界的示意图

03 方法：WaveC2R 框架详解

WaveC2R 采用了一种“由粗到精（Coarse-to-Refined）”的两阶段策略：

第一阶段：强度-边界解耦学习 (Intensity-Boundary Decoupled Learning)

这一阶段的目标是生成一个物理一致的“粗糙”估计。

·WTF 模块：提出了小波-时频（Wavelet-Temporal-Frequency）模块，在特征提取阶段就进行频率解耦。

·FIBL 损失函数：设计了频率分解强度-边界损失（FIBL），不再笼统地优化像素误差，而是分别对低频（强度）和高频（边界）进行针对性约束。

第二阶段：细节增强扩散精修 (Detail-Enhanced Diffusion Refinement)

这一阶段利用生成式AI的能力，将粗糙估计“精修”为高保真图像。

·引入了条件扩散模型（Conditional Diffusion Model）。

·利用物理感知的频率先验（Physics-aware Frequency-decomposed Priors）作为条件，指导扩散模型逐步恢复细粒度的降水结构，确保生成的图像既有丰富的纹理细节，又不偏离宏观的气象一致性。

Figure 3：WaveC2R 的整体架构图

04 实验结果：极端天气下的卓越表现

在包含超过2万个风暴事件的SEVIR 数据集上，WaveC2R 展现了显著的性能提升。

·定量指标：相比于目前的SOTA方法（如AA-TransUnet, Earthformer, Diffcast等），WaveC2R 在 CSI 和 HSS 指标上均取得了最优结果。

·极端天气：在强降水阈值（VIL ≥ 219 kg/m²）下，WaveC2R 的 CSI 指标比最佳确定性基线提升了 60%！这对于灾害性天气预警具有重要意义。

Figure 5：与其他方法的可视化对比图

05 总结与展望

WaveC2R 提出了一种基于小波变换的卫星雷达反演新范式。通过显式地对强度（低频）和边界（高频）进行解耦建模，并结合扩散模型的生成能力，成功解决了传统方法中图像模糊和强对流漏报的问题。这项工作不仅提升了反演精度，也为气象领域的深度学习应用提供了很好的“物理+AI”融合思路。

论文传送门

·论文标题：WaveC2R: Wavelet-Driven Coarse-to-Refined Hierarchical Learning for Radar Retrieval

·录用会议：AAAI 2026

·项目主页：https://spring-lovely.github.io/WaveC2R/

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。