論文の概要: Encoder-Decoder Architecture for 3D Seismic Inversion

• arxiv url: http://arxiv.org/abs/2207.14789v1
• Date: Fri, 29 Jul 2022 17:14:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-01 13:29:31.833379
• Title: Encoder-Decoder Architecture for 3D Seismic Inversion
• Title（参考訳）: 3次元地震インバージョンのためのエンコーダデコーダアーキテクチャ
• Authors: Maayan Gelboim, Amir Adler, Yen Sun, Mauricio Araya-Polo
• Abstract要約: 本稿では,地震探査で記録された音の存在下での現実的な3次元モデルの再構築のための深層学習ソリューションを提案する。 我々は,数百のシュートガザキューブの集合全体を効率的に処理する畳み込みエンコーダデコーダアーキテクチャを実装し,解析する。
• 参考スコア（独自算出の注目度）: 1.2234742322758418
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Inverting seismic data to build 3D geological structures is a challenging task due to the overwhelming amount of acquired seismic data, and the very-high computational load due to iterative numerical solutions of the wave equation, as required by industry-standard tools such as Full Waveform Inversion (FWI). For example, in an area with surface dimensions of 4.5km $\times$ 4.5km, hundreds of seismic shot-gather cubes are required for 3D model reconstruction, leading to Terabytes of recorded data. This paper presents a deep learning solution for the reconstruction of realistic 3D models in the presence of field noise recorded in seismic surveys. We implement and analyze a convolutional encoder-decoder architecture that efficiently processes the entire collection of hundreds of seismic shot-gather cubes. The proposed solution demonstrates that realistic 3D models can be reconstructed with a structural similarity index measure (SSIM) of 0.8554 (out of 1.0) in the presence of field noise at 10dB signal-to-noise ratio.
• Abstract（参考訳）: フルウェーブフォーム・インバージョン (Full Waveform Inversion, FWI) などの業界標準ツールが要求するように, 地震データを3次元の地質構造に変換することは, 取得した地震データの圧倒的な量と, 波動方程式の反復的数値解による非常に高い計算負荷による課題である。 例えば、表面寸法 4.5km$\times$ 4.5km の領域では、3dモデル再構成のために数百個の地震シュートゲザーキューブが必要となり、テラバイトのデータが記録される。 本稿では,地震探査で記録された音の存在下でのリアルな3次元モデルの再構築のためのディープラーニングソリューションを提案する。 我々は,数百のシュートガザキューブの集合全体を効率的に処理する畳み込みエンコーダデコーダアーキテクチャを実装し,解析する。 提案手法は,10dB信号対雑音比の場雑音の存在下で,構造類似度指標(SSIM)を0.8554(1.0点中)で再現可能であることを示す。

関連論文リスト

• Mixed Diffusion for 3D Indoor Scene Synthesis [55.94569112629208]
  混合離散連続拡散モデルアーキテクチャであるMiDiffusionを提案する。 シーンレイアウトを2次元のフロアプランとオブジェクトの集合で表現し、それぞれがそのカテゴリ、場所、サイズ、方向で定義する。 実験により,MiDiffusionは床条件下での3次元シーン合成において,最先端の自己回帰モデルや拡散モデルよりもかなり優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-31T17:54:52Z)
• Zero123-6D: Zero-shot Novel View Synthesis for RGB Category-level 6D Pose Estimation [66.3814684757376]
  本研究は,RGB 6Dのカテゴリレベルでのポーズ推定を向上するための拡散モデルに基づく新規ビュー合成器の実用性を示す最初の研究であるZero123-6Dを示す。 本手法は,データ要求の低減,ゼロショットカテゴリレベルの6Dポーズ推定タスクにおける深度情報の必要性の除去,およびCO3Dデータセットの実験により定量的に示された性能の向上を示す。
  論文  参考訳（メタデータ） (2024-03-21T10:38:18Z)
• SeisFusion: Constrained Diffusion Model with Input Guidance for 3D Seismic Data Interpolation and Reconstruction [26.02191880837226]
  本研究では3次元地震データに適した新しい拡散モデル再構成フレームワークを提案する。 拡散モデルに3次元ニューラルネットワークアーキテクチャを導入し、2次元拡散モデルを3次元空間に拡張することに成功した。 本手法は、フィールドデータセットと合成データセットの両方に適用した場合、より優れた再構成精度を示す。
  論文  参考訳（メタデータ） (2024-03-18T05:10:13Z)
• Diffraction and Scattering Aware Radio Map and Environment Reconstruction using Geometry Model-Assisted Deep Learning [14.986314279939952]
  本稿では、受信信号強度(RSS)データを用いて、無線マップと仮想環境を共同構築することを提案する。 我々は,仮想障害物モデルを開発し,伝搬経路と仮想障害物との間の幾何学的関係を特徴づける。 数値実験により, 3次元仮想環境の再構築に加えて, 提案したモデルは, 精度10%-18%向上した無線地図構築において, 最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-01T02:20:01Z)
• Neural RF SLAM for unsupervised positioning and mapping with channel state information [51.484516640867525]
  アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。 提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
  論文  参考訳（メタデータ） (2022-03-15T21:32:44Z)
• Machine learning-based porosity estimation from spectral decomposed seismic data [0.0]
  地震データによるポロシティモデルの推定は、信号ノイズと地震データの解像度が不十分なため困難である。 本稿では,地震データをポロシティモデルに変換する機械学習ベースのワークフローを提案する。
  論文  参考訳（メタデータ） (2021-11-23T00:03:38Z)
• Unsupervised Learning of Full-Waveform Inversion: Connecting CNN and Partial Differential Equation in a Loop [13.1144828613672]
  フルウェーブフォーム・インバージョン(FWI)は、地震データから地下の速度マップを推定するために地球物理学で広く用いられている。 我々は、コミュニティにとってより困難なベンチマークを確立するために、新しい大規模データセットOpenFWIを紹介します。 実験結果から,我々のモデル(地震データのみを用いた)は,教師付きモデルと同等の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2021-10-14T17:47:22Z)
• Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
  我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。 このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。 このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
  論文  参考訳（メタデータ） (2021-06-01T08:46:04Z)
• NuSPAN: A Proximal Average Network for Nonuniform Sparse Model -- Application to Seismic Reflectivity Inversion [23.080395291046408]
  我々は, 地震データの高分解能回復の観点から, 近位脱畳の問題を解く。 凸と非一様シグナライザの組み合わせを用いる。 結果として生じるスパースネットワークアーキテクチャは、データ駆動方式で取得できる。
  論文  参考訳（メタデータ） (2021-05-01T04:33:02Z)
• Generative VoxelNet: Learning Energy-Based Models for 3D Shape Synthesis and Analysis [143.22192229456306]
  本稿では,体積形状を表す3次元エネルギーモデルを提案する。 提案モデルの利点は6倍である。 実験により,提案モデルが高品質な3d形状パターンを生成できることが実証された。
  論文  参考訳（メタデータ） (2020-12-25T06:09:36Z)
• Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
  モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。 従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。 我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。 これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
  論文  参考訳（メタデータ） (2020-08-31T17:10:48Z)

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。