論文の概要: A new practical and effective source-independent full-waveform inversion with a velocity-distribution supported deep image prior: Applications to two real datasets

• arxiv url: http://arxiv.org/abs/2503.00658v1
• Date: Sat, 01 Mar 2025 23:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:14:23.715670
• Title: A new practical and effective source-independent full-waveform inversion with a velocity-distribution supported deep image prior: Applications to two real datasets
• Title（参考訳）: 速度分布支援深部画像を用いた実用的で効果的なソース非依存フルウェーブフォームインバージョン:2つの実データへの適用
• Authors: Chao Song, Tariq Alkhalifah, Umair Bin Waheed, Silin Wang, Cai Liu,
• Abstract要約: フルウェーブフォームインバージョン(Full-waveform Inversion, FWI)は、高分解能地下物理パラメータを再構成するための高度な技術である。 ソースの不確実性と振幅依存性を軽減することを目的としたFWIのための相関に基づくソース非依存目的関数を提案する。 ベンチマーク速度モデルと2つの実データからの合成データを用いて,提案手法の優位性を実証した。
• 参考スコア（独自算出の注目度）: 6.802692977157491
• License:
• Abstract: Full-waveform inversion (FWI) is an advanced technique for reconstructing high-resolution subsurface physical parameters by progressively minimizing the discrepancy between observed and predicted seismic data. However, conventional FWI encounters challenges in real data applications, primarily due to its conventional objective of direct measurements of the data misfit. Accurate estimation of the source wavelet is essential for effective data fitting, alongside the need for low-frequency data and a reasonable initial model to prevent cycle skipping. Additionally, wave equation solvers often struggle to accurately simulate the amplitude of observed data in real applications. To address these challenges, we introduce a correlation-based source-independent objective function for FWI that aims to mitigate source uncertainty and amplitude dependency, which effectively enhances its practicality for real data applications. We develop a deep-learning framework constrained by this new objective function with a velocity-distribution supported deep image prior, which reparameterizes velocity inversion into trainable parameters within an autoencoder, thereby reducing the nonlinearity in the conventional FWI's objective function. We demonstrate the superiority of our proposed method using synthetic data from benchmark velocity models and, more importantly, two real datasets. These examples highlight its effectiveness and practicality even under challenging conditions, such as missing low frequencies, a crude initial velocity model, and an incorrect source wavelet.
• 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)は、観測データと予測データとの差を段階的に最小化し、高分解能地下物理パラメータを再構築する高度な手法である。 しかし、従来のFWIは、データ不適合の直接測定という従来の目的のために、実際のデータアプリケーションで課題に直面している。 ソースウェーブレットの正確な推定は、サイクルスキップを防止するために、低周波データと妥当な初期モデルを必要とするとともに、効果的なデータフィッティングに不可欠である。 さらに、波動方程式の解法は、実アプリケーションで観測されたデータの振幅を正確にシミュレートするのに苦労することが多い。 これらの課題に対処するために,FWIの相関に基づくソース非依存目的関数を導入し,情報源の不確かさと振幅依存性を緩和し,実データアプリケーションにおけるその実用性を効果的に向上する。 本研究では, 従来のFWIの目的関数の非線形性を低減し, オートエンコーダ内でのトレーニング可能なパラメータへの速度インバージョンを再パラメータ化する, 速度分布支援深度画像前処理による新たな目的関数に制約されたディープラーニングフレームワークを開発する。 本稿では,ベンチマーク速度モデルによる合成データと,さらに重要な2つの実データを用いた提案手法の優位性を実証する。 これらの例は、低周波の欠如、粗初期速度モデル、誤音源ウェーブレットなど、困難な条件下であっても、その有効性と実用性を強調している。

関連論文リスト

• PreAdaptFWI: Pretrained-Based Adaptive Residual Learning for Full-Waveform Inversion Without Dataset Dependency [8.719356558714246]
  フルウェーブフォーム・インバージョン(Full-waveform Inversion、FWI)は、地震データを用いて地下媒体の物理パラメータを反転させる手法である。 異常な性質のため、FWIは局所的なミニマに閉じ込められやすい。 ニューラルネットワークとFWIを組み合わせることで、インバージョンプロセスの安定化が試みられている。
  論文  参考訳（メタデータ） (2025-02-17T15:30:17Z)
• DispFormer: Pretrained Transformer for Flexible Dispersion Curve Inversion from Global Synthesis to Regional Applications [59.488352977043974]
  本研究では、レイリー波位相と群分散曲線から$v_s$プロファイルを反転させるトランスフォーマーベースのニューラルネットワークであるDispFormerを提案する。 結果は、ラベル付きデータなしでもゼロショットのDispFormerは、基底の真実とよく一致する逆プロファイルを生成することを示している。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• ResFlow: Fine-tuning Residual Optical Flow for Event-based High Temporal Resolution Motion Estimation [50.80115710105251]
  イベントカメラは、高時間分解能(HTR)モーション推定に重要な可能性を秘めている。 イベントデータを用いてHTR光流を推定するための残差に基づくパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-12-12T09:35:47Z)
• Optimal Transport-Based Displacement Interpolation with Data Augmentation for Reduced Order Modeling of Nonlinear Dynamical Systems [0.0]
  本稿では,複雑なシステムにおける非線形力学の表現を強化するために,最適輸送理論と変位を利用した新しいリダクション・オーダー・モデル(ROM)を提案する。 複雑なシステム挙動の予測における精度と効率の向上を示し、計算物理学や工学における幅広い応用の可能性を示している。
  論文  参考訳（メタデータ） (2024-11-13T16:29:33Z)
• Integrating Physics of the Problem into Data-Driven Methods to Enhance Elastic Full-Waveform Inversion with Uncertainty Quantification [0.0]
  フルウェーブフォーム・インバージョン(Full-Waveform Inversion, FWI)は、非線形反復型地震探査技術である。 FWIは地下物理特性の詳細な推定を行うことができる。 FWIの強い非線形性は、局所ミニマにおける最適化をトラップすることができる。
  論文  参考訳（メタデータ） (2024-06-04T11:30:40Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Phase Aberration Correction without Reference Data: An Adaptive Mixed Loss Deep Learning Approach [3.647138233493735]
  位相収差効果を補うために参照データを必要としない深層学習に基づく手法を提案する。 平均二乗誤差のような従来の損失関数が最適性能を達成するためにネットワークを訓練するには不十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-10T07:11:48Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Real Time Speech Enhancement in the Waveform Domain [99.02180506016721]
  本稿では,ラップトップCPU上でリアルタイムに動作する生波形を用いた因果音声強調モデルを提案する。 提案モデルは、スキップ接続を持つエンコーダデコーダアーキテクチャに基づいている。 静止ノイズや非定常ノイズを含む様々な背景ノイズを除去することができる。
  論文  参考訳（メタデータ） (2020-06-23T09:19:13Z)

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。