University of Michigan（密歇根大学安娜堡分校）

GenDA: Generative Data Assimilation on Complex Urban Areas via Classifier-Free Diffusion Guidance

GenDA：基于无分类器扩散引导的复杂城市区域生成式数据同化

Francisco Giral, Álvaro Manzano, Ignacio Gómez, Ricardo Vinuesa, Soledad Le Clainche

机构 * Applied Mathematics Department, ETSIAE-School of Aeronautics, Universidad Politécnica de Madrid, Spain（马德里理工大学应用数学系） ； Department of Aerospace Engineering, University of Michigan, Ann Arbor, MI 48109, USA（密歇根大学航空航天工程系） 纠错

AI总结 针对仅靠稀疏传感器数据进行城市风流重建的难题，提出GenDA框架，利用多尺度图扩散架构及无分类器引导机制，在RANS模拟实验中表现出色，相比其他方法降低误差、提高相似性指数，为复杂领域环境监测提供可扩展路径。