論文の概要: Acoustic Waveform Inversion with Image-to-Image Schrödinger Bridges

• arxiv url: http://arxiv.org/abs/2506.15346v1
• Date: Wed, 18 Jun 2025 10:55:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.633988
• Title: Acoustic Waveform Inversion with Image-to-Image Schrödinger Bridges
• Title（参考訳）: 画像間シュレーディンガーブリッジを用いた音響波形インバージョン
• Authors: A. S. Stankevich, I. B. Petrov,
• Abstract要約: 我々は高解像度のサンプルを生成するための条件付き画像共有型Schr"odinger Bridge (c$textI2textSB$) フレームワークを導入する。 実験の結果,提案手法は条件付き拡散モデルの再実装よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent developments in application of deep learning models to acoustic Full Waveform Inversion (FWI) are marked by the use of diffusion models as prior distributions for Bayesian-like inference procedures. The advantage of these methods is the ability to generate high-resolution samples, which are otherwise unattainable with classical inversion methods or other deep learning-based solutions. However, the iterative and stochastic nature of sampling from diffusion models along with heuristic nature of output control remain limiting factors for their applicability. For instance, an optimal way to include the approximate velocity model into diffusion-based inversion scheme remains unclear, even though it is considered an essential part of FWI pipeline. We address the issue by employing a Schr\"odinger Bridge that interpolates between the distributions of ground truth and smoothed velocity models. To facilitate the learning of nonlinear drifts that transfer samples between distributions we extend the concept of Image-to-Image Schr\"odinger Bridge ($\text{I}^2\text{SB}$) to conditional sampling, resulting in a conditional Image-to-Image Schr\"odinger Bridge (c$\text{I}^2\text{SB}$) framework. To validate our method, we assess its effectiveness in reconstructing the reference velocity model from its smoothed approximation, coupled with the observed seismic signal of fixed shape. Our experiments demonstrate that the proposed solution outperforms our reimplementation of conditional diffusion model suggested in earlier works, while requiring only a few neural function evaluations (NFEs) to achieve sample fidelity superior to that attained with supervised learning-based approach. The supplementary code implementing the algorithms described in this paper can be found in the repository https://github.com/stankevich-mipt/seismic_inversion_via_I2SB.
• Abstract（参考訳）: 近年の深層学習モデルの音響フルウェーブフォーム・インバージョン(FWI)への応用は,ベイズ的推論手法の拡散モデルによる事前分布によって特徴付けられる。 これらの手法の利点は、古典的な逆転法や他のディープラーニングベースのソリューションでは実現不可能な高分解能サンプルを生成する能力である。 しかし、拡散モデルからのサンプリングの反復的および確率的性質と出力制御のヒューリスティックな性質は、その適用性に制限要因を残している。 例えば、FWIパイプラインの不可欠な部分であるにもかかわらず、拡散に基づくインバージョンスキームに近似速度モデルを組み込む最適な方法は不明である。 地上の真実と滑らかな速度モデルの分布を補間するシュリンガー橋を用いてこの問題に対処する。 分布間でサンプルを転送する非線形ドリフトの学習を容易にするために、条件付きサンプリングにImage-to-Image Schr\"odinger Bridge ($\text{I}^2\text{SB}$)の概念を拡張し、条件付きイメージSchr\"odinger Bridge (c$\text{I}^2\text{SB}$) を実現する。 本手法の有効性を検証するため, 平滑な近似から基準速度モデルを再構成し, 一定の形状の地震信号と組み合わせて評価した。 提案手法は, 従来の研究で提案した条件拡散モデルの再実装よりも優れており, 教師付き学習に基づくアプローチで達成した手法よりも優れた標本忠実性を実現するためには, 少数の神経機能評価(NFE)が必要であった。 この論文で説明したアルゴリズムを実装する補足コードは、リポジトリhttps://github.com/stankevich-mipt/seismic_inversion_via_I2SBにある。

関連論文リスト

• An Ordinary Differential Equation Sampler with Stochastic Start for Diffusion Bridge Models [13.00429687431982]
  拡散ブリッジモデルは、純粋なガウスノイズではなく、劣化した画像から生成過程を初期化する。 既存の拡散ブリッジモデルは、しばしば微分方程式のサンプリングに頼り、推論速度が遅くなる。 拡散ブリッジモデルの開始点を有する高次ODEサンプリング器を提案する。 本手法は, 既訓練拡散ブリッジモデルと完全に互換性があり, 追加の訓練は不要である。
  論文  参考訳（メタデータ） (2024-12-28T03:32:26Z)
• Arbitrary-steps Image Super-resolution via Diffusion Inversion [68.78628844966019]
  本研究では,拡散インバージョンに基づく新しい画像超解像(SR)手法を提案する。 本研究では,拡散モデルの中間状態を構築するための部分雑音予測戦略を設計する。 トレーニングが完了すると、このノイズ予測器を使用して、拡散軌道に沿ってサンプリングプロセスを部分的に初期化し、望ましい高分解能結果を生成する。
  論文  参考訳（メタデータ） (2024-12-12T07:24:13Z)
• Fast Diffusion EM: a diffusion model for blind inverse problems with application to deconvolution [0.0]
  現在の手法では、劣化が知られており、復元と多様性の点で印象的な結果をもたらすと仮定している。 本研究では、これらのモデルの効率を活用し、復元された画像と未知のパラメータを共同で推定する。 本手法は,拡散モデルから抽出したサンプルを用いて,問題の対数類似度を近似し,未知のモデルパラメータを推定する方法とを交互に比較する。
  論文  参考訳（メタデータ） (2023-09-01T06:47:13Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。