Fugu-MT 論文翻訳(概要): Generative Geostatistical Modeling from Incomplete Well and Imaged Seismic Observations with Diffusion Models

論文の概要: Generative Geostatistical Modeling from Incomplete Well and Imaged Seismic Observations with Diffusion Models

arxiv url: http://arxiv.org/abs/2406.05136v1
Date: Thu, 16 May 2024 20:30:43 GMT
ステータス: 処理完了
システム内更新日: 2024-06-23 13:55:28.419080
Title: Generative Geostatistical Modeling from Incomplete Well and Imaged Seismic Observations with Diffusion Models
Title（参考訳）: 拡散モデルを用いた不完全坑井・画像地震観測からの地層モデルの作成
Authors: Huseyin Tuna Erdinc, Rafael Orozco, Felix J. Herrmann,
Abstract要約: 拡散生成モデルを用いて地下速度モデルを合成する新しい手法を提案する。本手法は, 完全標本化を必要とせず, 不完全な観測と地震観測を生かし, 高忠実度速度試料を作製する。
参考スコア（独自算出の注目度）: 0.24578723416255752
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this study, we introduce a novel approach to synthesizing subsurface velocity models using diffusion generative models. Conventional methods rely on extensive, high-quality datasets, which are often inaccessible in subsurface applications. Our method leverages incomplete well and seismic observations to produce high-fidelity velocity samples without requiring fully sampled training datasets. The results demonstrate that our generative model accurately captures long-range structures, aligns with ground-truth velocity models, achieves high Structural Similarity Index (SSIM) scores, and provides meaningful uncertainty estimations. This approach facilitates realistic subsurface velocity synthesis, offering valuable inputs for full-waveform inversion and enhancing seismic-based subsurface modeling.
Abstract（参考訳）: 本研究では拡散生成モデルを用いて地下速度モデルを合成する新しい手法を提案する。従来の手法は広範囲で高品質なデータセットに依存しており、しばしば地下の応用ではアクセスできない。本手法は, 完全標本化を必要とせず, 不完全な観測と地震観測を利用して高忠実度速度試料を作製する。その結果, 生成モデルでは, 長距離構造を正確に把握し, 地中構造速度モデルと整合し, 高構造類似度指数(SSIM)スコアを達成し, 有意な不確実性評価を行うことができた。このアプローチは、実測的な地下速度合成を促進し、フルウェーブフォームインバージョンのための貴重な入力を提供し、地震に基づく地下モデリングを強化する。

関連論文リスト

Machine learning-enabled velocity model building with uncertainty quantification [0.41942958779358674]
移動速度モデルの正確な特徴付けは、幅広い物理応用に不可欠である。従来の速度モデル構築法は強力であるが、逆問題の本質的な複雑さに悩まされることが多い。本稿では,Diffusion Networkの形で生成モデリングと物理インフォームド・サマリ・統計を統合したスケーラブルな手法を提案する。
論文参考訳（メタデータ） (2024-11-11T01:36:48Z)
Modeling Randomly Observed Spatiotemporal Dynamical Systems [7.381752536547389]
現在利用可能なニューラルネットワークベースのモデリングアプローチは、時間と空間でランダムに収集されたデータに直面したときに不足する。そこで我々は,このようなランダムなサンプルデータを効果的に処理する新しい手法を開発した。我々のモデルは、システムの力学と将来の観測のタイミングと位置の両方を予測するために、償却変分推論、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現といった技術を統合する。
論文参考訳（メタデータ） (2024-06-01T09:03:32Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文参考訳（メタデータ） (2023-11-30T08:22:08Z)
Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文参考訳（メタデータ） (2023-10-11T18:38:28Z)
A prior regularized full waveform inversion using generative diffusion models [0.5156484100374059]
フルウェーブフォームインバージョン(FWI)は高分解能地下モデル推定を提供する可能性がある。観測の限界、例えば、地域雑音、限られたショットや受信機、帯域制限データなどにより、FWIで所望の高解像度モデルを得るのは難しい。生成拡散モデルにより正規化されたFWIの新しいパラダイムを提案する。
論文参考訳（メタデータ） (2023-06-22T10:10:34Z)
Generative models uncertainty estimation [0.0]
本稿では,トレーニングフェーズ空間領域内外における生成モデルの不確実性を推定する3つの手法を提案する。また,LHCb RICH高速シミュレーションにおける提案手法の検証を行った。
論文参考訳（メタデータ） (2022-10-18T11:30:24Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
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)

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。