수치 모델은 조석류를 포함한 지구과학적 현상을 이해하는 데 오랫동안 사용되어 왔으며, 이는 재생에너지 생산과 연안 공학에 핵심적이다. 그러나 이들 모델의 계산 비용이 높아 다양한 해상도의 데이터를 생성하는 데 제약이 있다. 대안으로, 추론 속도가 더 빠른 딥러닝 기반 하향(다운스케일링) 기법이 주목받고 있다. 그러나 대부분의 방법은 고정된 스케일에서만 추론이 가능하며, 목표 지구과학 데이터의 중요한 특성을 간과한다. 본 논문에서는 이미지와 달리 이질성(heterogeneity)과 국소 의존성(local dependency)이라는 고유한 특성을 고려하여, 조석류 데이터에 대한 새로운 하향 기조(다운스케일링) 프레임워크를 제안한다. 또한 본 프레임워크는 연속 표현(continuous representation) 모델을 활용함으로써 임의의 스케일로 출력 데이터를 생성할 수 있다. 제안된 프레임워크는 LIIF에 비해 유속 예측을 MSE 기준 93.21%, MAE 기준 63.85% 크게 향상시키는 동시에, FLOPs를 33.2% 줄이는 주목할 만한 성능을 달성하였다. 코드는 GitHub에서 제공될 예정이다: https://github.com/dslisleedh/LIIFNM.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.