論文の概要: A Unified Framework for Forward and Inverse Problems in Subsurface Imaging using Latent Space Translations

• arxiv url: http://arxiv.org/abs/2410.11247v2
• Date: Wed, 16 Oct 2024 01:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 09:43:20.528768
• Title: A Unified Framework for Forward and Inverse Problems in Subsurface Imaging using Latent Space Translations
• Title（参考訳）: 潜時空間変換を用いた地表面イメージングにおける前方・逆問題の一構成法
• Authors: Naveen Gupta, Medha Sawhney, Arka Daw, Youzuo Lin, Anuj Karpatne,
• Abstract要約: 本稿では,GFI(Generalized Forward-Inverse)フレームワークと呼ばれる,この分野における先行研究を特徴付ける統一フレームワークを提案する。 GFIは、GFIの特定のインスタンス化とみなすことができる地下画像の深層学習における従来の成果を包含していることを示す。 また,GFI のフレームワークとして,潜在 U-Net と非可逆 X-Net の2つの新しいモデルアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 9.590290812962884
• License:
• Abstract: In subsurface imaging, learning the mapping from velocity maps to seismic waveforms (forward problem) and waveforms to velocity (inverse problem) is important for several applications. While traditional techniques for solving forward and inverse problems are computationally prohibitive, there is a growing interest in leveraging recent advances in deep learning to learn the mapping between velocity maps and seismic waveform images directly from data. Despite the variety of architectures explored in previous works, several open questions still remain unanswered such as the effect of latent space sizes, the importance of manifold learning, the complexity of translation models, and the value of jointly solving forward and inverse problems. We propose a unified framework to systematically characterize prior research in this area termed the Generalized Forward-Inverse (GFI) framework, building on the assumption of manifolds and latent space translations. We show that GFI encompasses previous works in deep learning for subsurface imaging, which can be viewed as specific instantiations of GFI. We also propose two new model architectures within the framework of GFI: Latent U-Net and Invertible X-Net, leveraging the power of U-Nets for domain translation and the ability of IU-Nets to simultaneously learn forward and inverse translations, respectively. We show that our proposed models achieve state-of-the-art (SOTA) performance for forward and inverse problems on a wide range of synthetic datasets, and also investigate their zero-shot effectiveness on two real-world-like datasets.
• Abstract（参考訳）: 地下イメージングでは、速度マップから地震波形(前方問題)、波形から速度(逆問題)へのマッピングを学習することが、いくつかの応用において重要である。 従来の前方・逆問題の解法は計算的に禁止されているが,近年の深層学習の進歩を活用して,データから直接速度マップと地震波形画像のマッピングを学ぶことへの関心が高まっている。 以前の研究で探索された様々なアーキテクチャにもかかわらず、潜在空間サイズの影響、多様体学習の重要性、翻訳モデルの複雑さ、前方および逆問題の共同解決の価値など、いくつかのオープンな疑問は未解決のままである。 本稿では,この領域における先行研究を体系的に特徴付ける統一的枠組みとして,多様体と潜時空間変換の仮定に基づく一般化フォワード・インバース(GFI)フレームワークを提案する。 GFIは、GFIの特定のインスタンス化とみなすことができる地下画像の深層学習における従来の成果を包含していることを示す。 Invertible X-NetとLatent U-Netの2つの新しいモデルアーキテクチャを提案し、ドメイン翻訳にU-NetのパワーとIU-Netの能力を活用して、それぞれに前方と逆翻訳を同時に学習する。 提案したモデルでは, 広範囲の合成データセットにおいて, 前方および逆問題に対して, 最先端(SOTA)性能を実現するとともに, 実世界の2つのデータセットにおけるゼロショットの有効性について検討した。

関連論文リスト

• REVISION: Rendering Tools Enable Spatial Fidelity in Vision-Language Models [67.55362046790512]
  視覚言語モデルには、空間的関係を正しく推論する能力がない。 視覚言語モデルにおける空間忠実度を改善するREVISIONフレームワークを開発した。 本研究の結果から,レンダリングベースのフレームワークは空間認識モデルの開発に有効な手法であることが示唆された。
  論文  参考訳（メタデータ） (2024-08-05T04:51:46Z)
• Towards Vision-Language Geo-Foundation Model: A Survey [65.70547895998541]
  Vision-Language Foundation Models (VLFMs) は、様々なマルチモーダルタスクにおいて顕著な進歩を遂げている。 本稿では, VLGFMを網羅的にレビューし, この分野の最近の展開を要約し, 分析する。
  論文  参考訳（メタデータ） (2024-06-13T17:57:30Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Graph-based Multi-ODE Neural Networks for Spatio-Temporal Traffic Forecasting [8.832864937330722]
  長距離交通予測は、交通ネットワークで観測される複雑な時間的相関のため、依然として困難な課題である。 本稿では,GRAM-ODE(Graph-based Multi-ODE Neural Networks)と呼ばれるアーキテクチャを提案する。 実世界の6つのデータセットを用いて行った大規模な実験は、最先端のベースラインと比較して、GRAM-ODEの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-30T02:10:42Z)
• Automated Spatio-Temporal Graph Contrastive Learning [18.245433428868775]
  パラメータ化コントラストビュージェネレータを用いた時間自動拡張方式を開発した。 AutoSTは多視点セマンティクスをよく保存した異種グラフに適応することができる。 いくつかの実世界のデータセットで3つのダウンストリーム時間的マイニングタスクの実験は、大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2023-05-06T03:52:33Z)
• Learned multiphysics inversion with differentiable programming and machine learning [1.8893605328938345]
  本稿では, 画像・モデリング・監視のための地震研究所 (SLIM) を, 計算物理のためのオープンソースソフトウェアフレームワークとして紹介する。 複数の抽象化レイヤを統合することで、ソフトウェアは可読性と拡張性の両方を持つように設計されています。
  論文  参考訳（メタデータ） (2023-04-12T03:38:22Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Towards Multi-spatiotemporal-scale Generalized PDE Modeling [4.924631198058705]
  渦流および速度関数形式における流体力学問題に対する様々なFNOとU-Netのようなアプローチの比較を行う。 一つの代理モデルを用いて異なるPDEパラメータと時間スケールへの一般化の有望な結果を示す。
  論文  参考訳（メタデータ） (2022-09-30T17:40:05Z)
• Co-visual pattern augmented generative transformer learning for automobile geo-localization [12.449657263683337]
  クロスビュージオローカライゼーション(CVGL)は、地上カメラの地理的位置を、巨大なジオタグ付き空中画像とマッチングすることによって推定することを目的としている。 CVGLのための相互生成型トランスフォーマー学習(MGTL)という,トランスフォーマーと組み合わせたクロスビュー知識生成技術を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-17T07:29:02Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)

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。