論文の概要: Anti-Aliasing Add-On for Deep Prior Seismic Data Interpolation

• arxiv url: http://arxiv.org/abs/2101.11361v1
• Date: Wed, 27 Jan 2021 12:46:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 19:33:09.952824
• Title: Anti-Aliasing Add-On for Deep Prior Seismic Data Interpolation
• Title（参考訳）: 深部地震データ補間のためのアンチエイリアシングアドオン
• Authors: Francesco Picetti, Vincenzo Lipari, Paolo Bestagini, Stefano Tubaro
• Abstract要約: 問題に正則化項として方向ラプラシアンを加えることで,Deep Prior Inversionを改善することを提案する。 ノイズや破損したデータの存在下でも,この結果がエイリアスする傾向が低いことを示す。
• 参考スコア（独自算出の注目度）: 20.336981948463702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data interpolation is a fundamental step in any seismic processing workflow. Among machine learning techniques recently proposed to solve data interpolation as an inverse problem, Deep Prior paradigm aims at employing a convolutional neural network to capture priors on the data in order to regularize the inversion. However, this technique lacks of reconstruction precision when interpolating highly decimated data due to the presence of aliasing. In this work, we propose to improve Deep Prior inversion by adding a directional Laplacian as regularization term to the problem. This regularizer drives the optimization towards solutions that honor the slopes estimated from the interpolated data low frequencies. We provide some numerical examples to showcase the methodology devised in this manuscript, showing that our results are less prone to aliasing also in presence of noisy and corrupted data.
• Abstract（参考訳）: データ補間は、あらゆる地震処理ワークフローにおける基本的なステップです。 データの補間を逆問題として解くために最近提案された機械学習技術の中で、deep priorパラダイムは、畳み込みニューラルネットワークを使用してデータの先行をキャプチャし、反転を正規化することを目的としている。 しかし,この手法は,エイリアスの存在により高度にデシメーションされたデータを補間する場合の再構成精度に欠ける。 本研究では,この問題に方向ラプラシアンを正規化項として加えることにより,深い事前反転を改善することを提案する。 この正規化器は、補間されたデータ低周波から推定される傾きを尊重する解へと最適化を推し進める。 本書で考案した方法論を紹介するための数値例を示し,ノイズや破損したデータの存在下でのエイリアス傾向が小さいことを示す。

関連論文リスト

• Deep learning-based shot-domain seismic deblending [1.6411821807321063]
  我々は,各帆行の最後に獲得した未完成のショットコレクションを利用する。 これらのデータを手動でブレンドすることで、地上の真実をうまく制御したトレーニングデータが得られる。 隣接するブレンドショット集合を含むマルチチャネル入力を用いてディープニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2024-09-13T07:32:31Z)
• Hierarchical Features Matter: A Deep Exploration of GAN Priors for Improved Dataset Distillation [51.44054828384487]
  階層的生成潜在蒸留(H-GLaD)と呼ばれる新しいパラメータ化法を提案する。 本手法はGAN内の階層層を系統的に探索する。 さらに,合成データセット評価に伴う計算負担を軽減するために,新しいクラス関連特徴距離尺度を導入する。
  論文  参考訳（メタデータ） (2024-06-09T09:15:54Z)
• Single-Shot Plug-and-Play Methods for Inverse Problems [24.48841512811108]
  近年,逆問題におけるプラグイン・アンド・プレイの先行が注目されている。 既存のモデルは、主に大規模なデータセットを使用した事前訓練されたデノイザに依存している。 本研究では,最小限のデータを用いて逆問題に焦点を移す単一ショット摂動法を提案する。
  論文  参考訳（メタデータ） (2023-11-22T20:31:33Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Refining Amortized Posterior Approximations using Gradient-Based Summary Statistics [0.9176056742068814]
  逆問題の文脈における後部分布の補正近似を改善するための反復的枠組みを提案する。 そこで我々は,本手法をスタイリング問題に適用して制御条件で検証し,改良された後部近似を各繰り返しで観察する。
  論文  参考訳（メタデータ） (2023-05-15T15:47:19Z)
• Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
  不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。 特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
  論文  参考訳（メタデータ） (2023-02-13T19:57:17Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Shuffled linear regression through graduated convex relaxation [12.614901374282868]
  シャッフル線形回帰問題は、入力と出力の対応が不明なデータセットにおける線形関係を復元することを目的としている。 この問題は、調査データを含む広範囲のアプリケーションで発生する。 後最大化目的関数に基づく線形回帰をシャッフルする新しい最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-30T17:33:48Z)
• Deep Preconditioners and their application to seismic wavefield processing [0.0]
  スペーサリティプロモーティング・インバージョンと固定基底スペーサ変換は、多くの処理タスクに対するゴート・アプローチを表している。 本稿では,入力された地震データと代表潜在多様体との直接マッピングを学習するために,オートエンコーダネットワークを訓練することを提案する。 トレーニングされたデコーダはその後、物理駆動逆問題に対する非線形プレコンディショナーとして使用される。
  論文  参考訳（メタデータ） (2022-07-20T14:25:32Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。