論文の概要: Seismic Data Interpolation based on Denoising Diffusion Implicit Models
with Resampling
- arxiv url: http://arxiv.org/abs/2307.04226v2
- Date: Thu, 13 Jul 2023 15:29:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 16:20:17.890896
- Title: Seismic Data Interpolation based on Denoising Diffusion Implicit Models
with Resampling
- Title(参考訳): 再サンプリングを伴う拡散入射モデルに基づく地震データ補間
- Authors: Xiaoli Wei, Chunxia Zhang, Hongtao Wang, Chengli Tan, Deng Xiong,
Baisong Jiang, Jiangshe Zhang, Sang-Woon Kim
- Abstract要約: そこで本稿では,再サンプリングによる暗黙的拡散モデルを提案する。
モデル推論は、既知のトレースの条件付けである拡散暗黙モデルを利用して、拡散ステップの少ない高品質な定量化を可能にする。
- 参考スコア(独自算出の注目度): 8.806557897730137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The incompleteness of the seismic data caused by missing traces along the
spatial extension is a common issue in seismic acquisition due to the existence
of obstacles and economic constraints, which severely impairs the imaging
quality of subsurface geological structures. Recently, deep learningbased
seismic interpolation methods have attained promising progress, while achieving
stable training of generative adversarial networks is not easy, and performance
degradation is usually notable if the missing patterns in the testing and
training do not match. In this paper, we propose a novel seismic denoising
diffusion implicit model with resampling. The model training is established on
the denoising diffusion probabilistic model, where U-Net is equipped with the
multi-head self-attention to match the noise in each step. The cosine noise
schedule, serving as the global noise configuration, promotes the high
utilization of known trace information by accelerating the passage of the
excessive noise stages. The model inference utilizes the denoising diffusion
implicit model, conditioning on the known traces, to enable high-quality
interpolation with fewer diffusion steps. To enhance the coherency between the
known traces and the missing traces within each reverse step, the inference
process integrates a resampling strategy to achieve an information recap on the
former interpolated traces. Extensive experiments conducted on synthetic and
field seismic data validate the superiority of our model and its robustness to
various missing patterns. In addition, uncertainty quantification and ablation
studies are also investigated.
- Abstract(参考訳): 空間拡張に伴う痕跡の欠如に起因する地震データの不完全性は,地下地質構造の撮像品質を著しく損なう障害や経済的な制約が存在するため,地震探査において一般的な問題である。
近年, 深層学習に基づく補間法が有望な進歩を遂げているが, 生成型逆ネットワークの安定な訓練は容易ではなく, 試験・訓練の欠落パターンが一致しない場合, 性能劣化が顕著である。
そこで本稿では,再サンプリングによる暗黙的拡散モデルを提案する。
モデルトレーニングは、U-Netが各ステップのノイズにマッチするマルチヘッド自己アテンションを備えているデノナイジング拡散確率モデルに基づいて行われる。
グローバルノイズ構成としてのコサインノイズスケジュールは、過大なノイズステージの通過を加速することにより、既知のトレース情報の高利用を促進する。
モデル推論は、既知のトレースの条件付けである拡散暗黙モデルを利用して、拡散ステップの少ない高品質な補間を可能にする。
各逆ステップにおける既知のトレースと不足トレースとの一貫性を高めるために、推論プロセスは、再サンプリング戦略を統合し、以前の補間されたトレースに記録された情報を取得する。
合成およびフィールド地震探査データによる広範囲な実験により, モデルの優位性と, 各種の欠落パターンに対する頑健性について検証した。
また不確かさの定量化とアブレーションの研究も行われている。
関連論文リスト
- Digging into contrastive learning for robust depth estimation with diffusion models [55.62276027922499]
そこで我々はD4RDと呼ばれる新しい頑健な深度推定法を提案する。
複雑な環境での性能劣化を軽減するために、拡散モデルに適した独自のコントラスト学習モードを備えている。
D4RDは、合成汚職と現実世界の気象条件に関する既存の最先端のソリューションを超越している。
論文 参考訳(メタデータ) (2024-04-15T14:29:47Z) - ConsistencyDet: A Robust Object Detector with a Denoising Paradigm of Consistency Model [28.193325656555803]
本稿では,物体検出を認知拡散過程として記述するための新しいフレームワークを提案する。
ConsistencyDetと呼ばれるこのフレームワークは、Consistency Modelとして知られる革新的な概念を活用している。
我々は、ConsistencyDetがパフォーマンス指標で他の最先端検出器を上回っていることを示す。
論文 参考訳(メタデータ) (2024-04-11T14:08:45Z) - NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。
NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
論文 参考訳(メタデータ) (2024-03-13T12:32:25Z) - Blue noise for diffusion models [50.99852321110366]
本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。
我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。
本手法を用いて,各種データセットの質的,定量的な評価を行う。
論文 参考訳(メタデータ) (2024-02-07T14:59:25Z) - Steerable Conditional Diffusion for Out-of-Distribution Adaptation in
Imaging Inverse Problems [78.76955228709241]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。
このフレームワークは、利用可能な測定データに特化してデノイングネットワークを適用する。
我々は多様な画像モダリティをまたいだOOD性能の大幅な向上を実現した。
論文 参考訳(メタデータ) (2023-08-28T08:47:06Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳(メタデータ) (2023-05-23T12:56:01Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - Empowering Diffusion Models on the Embedding Space for Text Generation [38.664533078347304]
埋め込み空間とデノナイジングモデルの両方で直面する最適化課題について検討する。
データ分散は埋め込みにおいて学習可能であり、埋め込み空間の崩壊と不安定なトレーニングにつながる可能性がある。
以上の解析に基づいて,Transformerに基づく埋め込み拡散モデルであるDifformerを提案する。
論文 参考訳(メタデータ) (2022-12-19T12:44:25Z) - Deep Active Learning with Noise Stability [24.54974925491753]
ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。
本稿では,雑音の安定性を利用して不確実性を推定する新しいアルゴリズムを提案する。
本手法はコンピュータビジョン,自然言語処理,構造データ解析など,様々なタスクに適用可能である。
論文 参考訳(メタデータ) (2022-05-26T13:21:01Z) - Hierarchical model reduction driven by machine learning for parametric
advection-diffusion-reaction problems in the presence of noisy data [0.0]
本稿では,雑音データの存在下でのパラメトリック楕円問題に対する信頼度低減モデルを生成するための新しい手法を提案する。
ノイズの影響を受ければ,方向方向のHiPODの精度が低下することを示す。
我々は、無関係なノイズからデータ中の関連する物理的特徴をよりよく識別する機械学習フィッティングモデルに取って代わる。
論文 参考訳(メタデータ) (2022-04-01T16:02:05Z)
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。