論文の概要: Learning by example: fast reliability-aware seismic imaging with
normalizing flows
- arxiv url: http://arxiv.org/abs/2104.06255v1
- Date: Tue, 13 Apr 2021 15:13:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-14 17:42:44.041861
- Title: Learning by example: fast reliability-aware seismic imaging with
normalizing flows
- Title（参考訳）: 実例による学習:流れの正規化による高速信頼性アウェア地震イメージング
- Authors: Ali Siahkoohi and Felix J. Herrmann
- Abstract要約: 本研究では, 近隣調査から得られた地震データから, 後方分布を安価にサンプリングできる正規化流(NF)を訓練する。
これらのサンプルを用いて,画像の信頼性に関する最初の評価を含む高忠実度画像の計算を行う。
- 参考スコア（独自算出の注目度）: 0.76146285961466
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncertainty quantification provides quantitative measures on the reliability
of candidate solutions of ill-posed inverse problems. Due to their sequential
nature, Monte Carlo sampling methods require large numbers of sampling steps
for accurate Bayesian inference and are often computationally infeasible for
large-scale inverse problems, such as seismic imaging. Our main contribution is
a data-driven variational inference approach where we train a normalizing flow
(NF), a type of invertible neural net, capable of cheaply sampling the
posterior distribution given previously unseen seismic data from neighboring
surveys. To arrive at this result, we train the NF on pairs of low- and
high-fidelity migrated images. In our numerical example, we obtain
high-fidelity images from the Parihaka dataset and low-fidelity images are
derived from these images through the process of demigration, followed by
adding noise and migration. During inference, given shot records from a new
neighboring seismic survey, we first compute the reverse-time migration image.
Next, by feeding this low-fidelity migrated image to the NF we gain access to
samples from the posterior distribution virtually for free. We use these
samples to compute a high-fidelity image including a first assessment of the
image's reliability. To our knowledge, this is the first attempt to train a
conditional network on what we know from neighboring images to improve the
current image and assess its reliability.
- Abstract（参考訳）: 不確かさの定量化は、不適切な逆問題の候補解の信頼性に関する定量的な尺度を提供する。
そのシーケンシャルな性質のため、モンテカルロサンプリング法は正確なベイズ推定のために多数のサンプリングステップを必要とし、地震イメージングのような大規模な逆問題に対して計算不可能であることが多い。
我々の主な貢献はデータ駆動の変分推論手法であり、近隣の地震データから得られた後部分布を安価にサンプリングできる非可逆ニューラルネットワークの一種である正規化流(NF)を訓練する。
この結果に到達するために、我々はNFを低解像度と高忠実なマイグレーション画像のペアで訓練する。
数値例では,parihakaデータセットから高忠実度画像を得るとともに,これらの画像から低忠実度画像を得る。
推定中,新しい地震探査から得られたショット記録から,まず逆時間マイグレーション画像を計算した。
次に、この低忠実度画像をnfに送ることで、後方分布からのサンプルへのアクセスを事実上無料で得ることができる。
これらのサンプルを用いて,画像の信頼性に関する最初の評価を含む高忠実度画像の計算を行う。
私たちの知る限りでは、これは隣接する画像から知っていることを条件付きネットワークで訓練し、現在の画像を改善し、信頼性を評価する最初の試みです。
関連論文リスト
- Ambient Diffusion Posterior Sampling: Solving Inverse Problems with
Diffusion Models trained on Corrupted Data [56.81246107125692]
Ambient Diffusion Posterior Smpling (A-DPS) は、ある種類の腐敗に対して事前訓練された生成モデルである。
A-DPSは、いくつかの画像復元タスクにおいて、クリーンなデータで訓練されたモデルよりも、速度と性能の両方で優れていることが示される。
我々はAmbient Diffusionフレームワークを拡張して、FourierサブサンプルのマルチコイルMRI測定にのみアクセスしてMRIモデルをトレーニングする。
論文 参考訳（メタデータ） (2024-03-13T17:28:20Z) - Diffusion Posterior Proximal Sampling for Image Restoration [27.35952624032734]
我々は拡散に基づく画像復元のための洗練されたパラダイムを提案する。
具体的には,各生成段階における測定値と一致したサンプルを選択する。
選択に使用する候補サンプルの数は、タイムステップの信号対雑音比に基づいて適応的に決定される。
論文 参考訳（メタデータ） (2024-02-25T04:24:28Z) - Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。
既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。
本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
論文 参考訳（メタデータ） (2023-11-20T08:27:56Z) - Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。
そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文 参考訳（メタデータ） (2023-03-06T11:51:28Z) - Posterior samples of source galaxies in strong gravitational lenses with
score-based priors [107.52670032376555]
我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。
アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
論文 参考訳（メタデータ） (2022-11-07T19:00:42Z) - Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。
暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
論文 参考訳（メタデータ） (2021-10-22T10:02:48Z) - Score-based diffusion models for accelerated MRI [35.3148116010546]
本研究では,画像中の逆問題を容易に解けるような条件分布からデータをサンプリングする方法を提案する。
我々のモデルは、訓練のためにのみ等級画像を必要とするが、複雑な値のデータを再構成することができ、さらに並列画像まで拡張できる。
論文 参考訳（メタデータ） (2021-10-08T08:42:03Z) - Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。
学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。
非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
論文 参考訳（メタデータ） (2020-12-15T07:09:02Z) - Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。
私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
論文 参考訳（メタデータ） (2020-08-06T02:07:21Z) - Uncertainty quantification in imaging and automatic horizon tracking: a
Bayesian deep-prior based approach [0.5156484100374059]
不確実性定量化(英: Uncertainty Quantification、UQ)は、解の不均一性とデータノイズ感度の確率論的記述を扱う。
本稿では,階層モデルを決定するために,UQが地平線追跡にどのように貢献するかに焦点を当てる。
論文 参考訳（メタデータ） (2020-04-01T04:26:33Z) - A deep-learning based Bayesian approach to seismic imaging and
uncertainty quantification [0.4588028371034407]
不確実性は、不条件の逆問題を扱う際に必須である。
未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。
本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
論文 参考訳（メタデータ） (2020-01-13T23:46:18Z)
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。