論文の概要: Foundation Models For Seismic Data Processing: An Extensive Review

• arxiv url: http://arxiv.org/abs/2503.24166v1
• Date: Mon, 31 Mar 2025 14:48:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:35:01.936964
• Title: Foundation Models For Seismic Data Processing: An Extensive Review
• Title（参考訳）: 地震データ処理の基礎モデル
• Authors: Fabian Fuchs, Mario Ruben Fernandez, Norman Ettrich, Janis Keuper,
• Abstract要約: その重要性にもかかわらず、従来の地震処理技術はノイズや損傷データといった課題に直面している。 ディープラーニングアプローチは、効率的でユーザフレンドリな代替手段を導入している。 ファンデーションモデルは、自然画像化の成功により、地震の領域で勢いを増している。
• 参考スコア（独自算出の注目度）: 7.4728371558557365
• License:
• Abstract: Seismic processing plays a crucial role in transforming raw data into high-quality subsurface images, pivotal for various geoscience applications. Despite its importance, traditional seismic processing techniques face challenges such as noisy and damaged data and the reliance on manual, time-consuming workflows. The emergence of deep learning approaches has introduced effective and user-friendly alternatives, yet many of these deep learning approaches rely on synthetic datasets and specialized neural networks. Recently, foundation models have gained traction in the seismic domain, due to their success in natural imaging. This paper investigates the application of foundation models in seismic processing on the tasks: demultiple, interpolation, and denoising. It evaluates the impact of different model characteristics, such as pre-training technique and neural network architecture, on performance and efficiency. Rather than proposing a single seismic foundation model, this paper critically examines various natural image foundation models and suggest some promising candidates for future exploration.
• Abstract（参考訳）: 地震処理は、様々な地学的な用途において重要な、原データを高品質な地下画像に変換する上で重要な役割を担っている。 その重要性にもかかわらず、従来の地震処理技術は、ノイズや破損したデータ、手動で時間を要するワークフローへの依存といった課題に直面している。 ディープラーニングアプローチの出現は、効率的でユーザフレンドリな代替手段を導入しているが、ディープラーニングアプローチの多くは、合成データセットと特殊なニューラルネットワークに依存している。 近年, 自然画像化に成功し, 震源モデルが注目されている。 本稿では, 地震処理における基礎モデルの適用について検討する。 事前トレーニング技術やニューラルネットワークアーキテクチャなど、さまざまなモデル特性がパフォーマンスと効率に与える影響を評価する。 本稿では, 単一の地震基盤モデルを提案するのではなく, 様々な自然画像基盤モデルについて批判的に検討し, 今後の探査に期待できる候補をいくつか提案する。

関連論文リスト

• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• DiffusionNOCS: Managing Symmetry and Uncertainty in Sim2Real Multi-Modal Category-level Pose Estimation [20.676510832922016]
  本研究では,部分物体形状の復元に不可欠な高密度正準写像を推定するために拡散に依存する確率モデルを提案する。 マルチモーダル入力表現を用いた拡散モデルの強度を活用することにより,性能向上のための重要なコンポーネントを導入する。 提案手法は, 生成した合成データのみに基づいて訓練されているにもかかわらず, 最先端の性能と前例のない一般化特性を達成している。
  論文  参考訳（メタデータ） (2024-02-20T01:48:33Z)
• A stable deep adversarial learning approach for geological facies generation [32.97208255533144]
  深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。 本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
  論文  参考訳（メタデータ） (2023-05-12T14:21:14Z)
• Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
  ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。 しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。 これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
  論文  参考訳（メタデータ） (2023-04-05T07:28:33Z)
• Towards Geospatial Foundation Models via Continual Pretraining [22.825065739563296]
  資源コストと炭素の影響を最小限に抑えた高効率基礎モデルを構築するための新しいパラダイムを提案する。 まず、複数のソースからコンパクトだが多様なデータセットを構築し、GeoPileと呼ぶ特徴の多様性を促進する。 次に,大規模なImageNet-22kモデルからの継続事前学習の可能性について検討し,多目的連続事前学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-09T07:39:02Z)
• A comparison of different atmospheric turbulence simulation methods for image restoration [64.24948495708337]
  大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。 深層学習に基づく大気乱流緩和法が文献で提案されている。 様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
  論文  参考訳（メタデータ） (2022-04-19T16:21:36Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Spatiotemporal Modeling of Seismic Images for Acoustic Impedance Estimation [12.653673008542155]
  機械学習に基づくインバージョンは通常、地震データに対してトレース・バイ・トレース方式で動作する。 本研究では,各地震跡を時間的だけでなく空間的にモデル化する深層学習型地震インバージョンワークフローを提案する。
  論文  参考訳（メタデータ） (2020-06-28T00:19:58Z)
• Improving Learning Effectiveness For Object Detection and Classification in Cluttered Backgrounds [6.729108277517129]
  本稿では,異種乱雑な背景の学習データセットを自律的に生成するフレームワークを開発する。 提案するフレームワークの学習効率は,複雑で異種な環境で改善されるべきである。 提案フレームワークの性能を実証実験により検討し,COCOデータセットを用いてトレーニングしたモデルと比較した。
  論文  参考訳（メタデータ） (2020-02-27T22:28:48Z)

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。