論文の概要: MDA GAN: Adversarial-Learning-based 3-D Seismic Data Interpolation and
Reconstruction for Complex Missing
- arxiv url: http://arxiv.org/abs/2204.03197v2
- Date: Fri, 8 Apr 2022 14:37:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-11 11:39:55.261221
- Title: MDA GAN: Adversarial-Learning-based 3-D Seismic Data Interpolation and
Reconstruction for Complex Missing
- Title(参考訳): MDA GAN: 逆学習に基づく3次元地震データ補間と複雑な欠損の復元
- Authors: Yimin Dou, Kewen Li, Hongjie Duan, Timing Li, Lin Dong, Zongchao Huang
- Abstract要約: MDA GAN(Multi-dimensional Adrial GAN)は、新しい3D GANフレームワークである。
MDA GANは、再構成されたデータの各次元における元のデータ分布との整合性を確保するために、3つの識別器を使用する。
この手法は、最大95%のランダムな離散欠失、100の連続欠失、さらに複雑なハイブリッド欠失に対する合理的な再構成を実現する。
- 参考スコア(独自算出の注目度): 6.345037597566314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The interpolation and reconstruction of missing traces is a crucial step in
seismic data processing, moreover it is also a highly ill-posed problem,
especially for complex cases such as high-ratio random discrete missing,
continuous missing and missing in fault-rich or salt body surveys. These
complex cases are rarely mentioned in current sparse or low-rank priorbased and
deep learning-based approaches. To cope with complex missing cases, we propose
Multi-Dimensional Adversarial GAN (MDA GAN), a novel 3-D GAN framework. It
employs three discriminators to ensure the consistency of the reconstructed
data with the original data distribution in each dimension. The feature
splicing module (FSM) is designed and embedded into the generator of this
framework, which automatically splices the features of the unmissing part with
those of the reconstructed part (missing part), thus fully preserving the
information of the unmissing part. To prevent pixel distortion in the seismic
data caused by the adversarial learning process, we propose a new
reconstruction loss Tanh Cross Entropy (TCE) loss to provide smoother
gradients. We experimentally verified the effectiveness of the individual
components of the study and then tested the method on multiple publicly
available data. The method achieves reasonable reconstructions for up to 95% of
random discrete missing, 100 traces of continuous missing and more complex
hybrid missing. In surveys of fault-rich and salt bodies, the method can
achieve promising reconstructions with up to 75% missing in each of the three
directions (98.2% in total).
- Abstract(参考訳): 欠失跡の補間と復元は, 地震データ処理において重要なステップであり, さらに, 高率ランダム離散欠失, 連続欠失, 断層富度, 塩分体調査における欠失などの複雑なケースにおいても, 非常に不適切な問題である。
これらの複雑なケースは、現在のスパースや低ランクの事前ベース、ディープラーニングベースのアプローチではほとんど言及されない。
複雑なケースに対処するために,新しい3次元GANフレームワークであるMDA GAN(MDA GAN)を提案する。
各次元における元のデータ分布と再構成されたデータの一貫性を確保するために、3つの識別器を用いる。
特徴スプライシングモジュール(FSM)は、このフレームワークのジェネレータに設計され、組み込まれ、非許容部の機能を再構成部(欠部)のものと自動的にスプライシングし、非許容部の情報を完全保存する。
対向学習による地震データにおける画素歪みを防止するため, よりスムーズな勾配を与えるため, 新たな再構成損失Tanh Cross Entropy(TCE)損失を提案する。
本研究の個々の構成要素の有効性を実験的に検証し,複数の公開データ上で検証した。
この手法は、最大95%のランダムな離散欠失、100の連続欠失、さらに複雑なハイブリッド欠失に対する合理的な再構成を実現する。
断層に富んだ岩体や塩分を含む調査では、各3方向(合計98.2%)に75%の欠落がある有望な復元が可能となる。
関連論文リスト
- From Displacements to Distributions: A Machine-Learning Enabled
Framework for Quantifying Uncertainties in Parameters of Computational Models [0.09208007322096533]
本研究は、工学系のモデリングにおける不確実性を定量化するための2つのフレームワークを組み合わせるための新しい拡張を提案する。
データ一貫性反復(DC)フレームワークは、与えられた関心の量(QoI)マップに対するプルバックおよびプッシュフォワード測度の観点からアレタリック不確かさを定量化するための逆問題と解決策を提供する。
Learning Uncertain Quantities (LUQ)フレームワークは、ノイズの多いデータセットを学習されたQoIマップのサンプルに変換する3ステップの機械学習を可能にする正式なプロセスを定義する。
論文 参考訳(メタデータ) (2024-03-04T20:40:50Z) - Unsupervised Adaptive Implicit Neural Representation Learning for
Scan-Specific MRI Reconstruction [8.721677700107639]
アンダーサンプリングにおけるスパーシリティレベルやパターンに制約されることなく、再構成品質を向上させる、教師なし適応型粗大化フレームワークを提案する。
我々は,獲得したk空間信号の自己超越的利用を段階的に洗練する,新しい学習戦略を統合する。
提案手法は,8倍のアンダーサンプリングを行うため,現在最先端のスキャン特異的MRI再構成技術より優れている。
論文 参考訳(メタデータ) (2023-12-01T16:00:16Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Neural Collapse Terminus: A Unified Solution for Class Incremental
Learning and Its Variants [166.916517335816]
本稿では,3つの課題における不整合ジレンマに対する統一解を提案する。
ラベル空間全体の最大等角的クラス間分離を有する固定構造である神経崩壊終端を提案する。
本手法は,データ不均衡やデータ不足にかかわらず,神経崩壊最適度を漸進的に保持する。
論文 参考訳(メタデータ) (2023-08-03T13:09:59Z) - Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly
Detector GAN [4.929399529593514]
本研究では,GAN(Generative Adversarial Neural Network)のパワーを活用した,現実の応用における異常検出のための逆方向検出手法を提案する。
従来の手法は、あらゆる種類の異常に適用できないような、クラス単位での精度のばらつきに悩まされていた。
RCALADという手法は,この構造に新たな識別器を導入し,より効率的な学習プロセスを実現することで,この問題を解決しようとするものである。
論文 参考訳(メタデータ) (2023-04-16T13:05:39Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳(メタデータ) (2022-02-27T12:52:27Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳(メタデータ) (2022-01-29T10:54:57Z) - Self-Supervised Learning for MRI Reconstruction with a Parallel Network
Training Framework [24.46388892324129]
提案手法は柔軟であり,既存のディープラーニング手法にも適用可能である。
本手法の有効性を、オープン脳MRIデータセットを用いて評価する。
論文 参考訳(メタデータ) (2021-09-26T06:09:56Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳(メタデータ) (2021-06-16T15:56:34Z) - Multi-task MR Imaging with Iterative Teacher Forcing and Re-weighted
Deep Learning [14.62432715967572]
我々は,既存のビッグデータから事前知識を学習するための,マルチタスク深層学習手法を開発した。
次に,これらを用いて,アンダーサンプリングしたk空間データからMR再構成とセグメンテーションを同時支援する。
提案手法は,同時的かつ正確なMR再構成とセグメンテーションの促進機能を有することを示す。
論文 参考訳(メタデータ) (2020-11-27T09:08:05Z) - Learning Nonparametric Human Mesh Reconstruction from a Single Image
without Ground Truth Meshes [56.27436157101251]
そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。
これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
論文 参考訳(メタデータ) (2020-02-28T20:30:07Z)
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。