降尺度与空间超分辨率

本专题研究如何把粗分辨率气象、气候或视觉信号转化为细分辨率场。核心问题并不只是“生成更清晰的图像”，而是判断生成的小尺度结构是否与粗尺度约束、物理守恒、概率分布、功率谱和极端事件统计一致。

阅读入口

• 通用指标、数据范式与跨论文数据矩阵
• 候选筛选与摒弃记录

建议阅读顺序

1. 先建立物理与数据基线

1. Physically Constrained GANs
2. Hard-Constrained Deep Learning
3. Fourier Neural Operators for Downscaling

2. 再比较概率降尺度路线

1. Spatiotemporal Video Diffusion
2. CorrDiff
3. Consistency-Model Downscaling
4. Dynamical-Generative Downscaling
5. GeoFAR

3. 最后读取 CV 可迁移模块

1. LIIF
2. BSRGAN
3. BasicVSR++
4. ResShift
5. FaithDiff
6. DTWSR
7. V³ / 3D Fourier Fields
8. PS-SR

方法谱系

主线	代表工作	可复用思想	尚未解决的问题
物理硬约束	Hess 2022 → Harder 2023 → DSFNO	全局或 coarse-cell 总量投影、非负参数化、约束输出层	输入本身有偏或 LR–HR 关系不满足约束时会强制错误闭合
概率残差生成	STVD → CorrDiff → R2-D2	deterministic mean/base 负责大尺度，diffusion 只采样未解析 residual	条件 ensemble 的校准、时序一致性和守恒仍未统一
未配对气候校正	Hess 2022 → Consistency Model 2025	用目标域统计与尺度可控 guidance 服务多个 ESM	逐事件不可验证，未来气候可能被拉回历史 reference 分布
连续与频率表示	LIIF / V³ → DSFNO / GeoFAR	任意坐标查询、解析 PSF、Fourier/DCT 与地形条件	连续/频率接口不自动保证真实高频、极端或物理守恒
CV 退化与快速生成	BSRGAN → ResShift / FaithDiff → DTWSR / PS-SR	显式退化分布、残差扩散、小波分带、低频 base + 高频 draft	自然图像 prior、JPEG/ISP 和视觉感知指标不能直接迁移为气象真实性

数据有效性先行的结论

完整数据对照见 通用指标与跨论文数据矩阵。本专题把“方法迁移价值”和“当前实验的实际意义”分开评级：自然图像与同源再分析 self-coarsening 即使指标很高，仍只算低 / Proof-of-Concept；RCM/WRF target 是计算代理而非真实大气；未配对校正则必须依赖分布、频谱、趋势、极端和物理一致性证据，不能用逐像素误差单独下结论。

本专题的判断原则

• 先问低分辨率输入如何得到，再看模型结构。
• 把再分析、区域模式和雷达产品称为 reference 或代理 Ground Truth，而非无条件的真实大气。
• 对 self-coarsening 的 perfect downscaling，只把结果解释为表示能力上界。
• 对概率模型，同时检查单样本保真度、ensemble 校准、极端尾部和空间谱。
• 对 CV 方法，明确区分可迁移的算子思想与不适用于科学场的自然图像语义先验。