論文の概要: Self-Reinforced Deep Priors for Reparameterized Full Waveform Inversion
- arxiv url: http://arxiv.org/abs/2512.08284v1
- Date: Tue, 09 Dec 2025 06:30:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-10 22:28:07.838104
- Title: Self-Reinforced Deep Priors for Reparameterized Full Waveform Inversion
- Title（参考訳）: 再パラメータ化フルウェーブフォームインバージョンのための自己強化深部事前処理
- Authors: Guangyuan Zou, Junlun Li, Feng Liu, Xuejing Zheng, Jianjian Xie, Guoyi Chen,
- Abstract要約: 本稿では, 自己強化型DIP-FWIフレームワークを提案する。このフレームワークでは, ステアリングアルゴリズムが繰り返し毎に, ネットワークパラメータと入力を交互に更新する。
SRDIP-FWIは、マルチスケールFWIよりも優れた解像度、精度、深度浸透を実現している。
- 参考スコア（独自算出の注目度）: 3.930876721046067
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Full waveform inversion (FWI) has become a widely adopted technique for high-resolution subsurface imaging. However, its inherent strong nonlinearity often results in convergence toward local minima. Recently, deep image prior-based reparameterized FWI (DIP-FWI) has been proposed to alleviate the dependence on massive training data. By exploiting the spectral bias and implicit regularization in the neural network architecture, DIP-FWI can effectively avoid local minima and reconstruct more geologically plausible velocity models. Nevertheless, existing DIP-FWI typically use a fixed random input throughout the inversion process, which fails to utilize the mapping and correlation between the input and output of the network. Moreover, under complex geological conditions, the lack of informative prior in the input can exacerbate the ill-posedness of the inverse problem, leading to artifacts and unstable reconstructions. To address these limitations, we propose a self-reinforced DIP-FWI (SRDIP-FWI) framework, in which a steering algorithm alternately updates both the network parameters and the input at each iteration using feedback from the current network output. This design allows adaptive structural enhancement and improved regularization, thereby effectively mitigating the ill-posedness in FWI. Additionally, we analyze the spectral bias of the network in SRDIP-FWI and quantify its role in multiscale velocity model building. Synthetic tests and field land data application demonstrate that SRDIP-FWI achieves superior resolution, improved accuracy and greater depth penetration compared to multiscale FWI. More importantly, SRDIP-FWI eliminates the need for manual frequency-band selection and time-window picking, substantially simplifying the inversion workflow. Overall, the proposed method provides a novel, adaptive and robust framework for accurate subsurface velocity model reconstruction.
- Abstract（参考訳）: フルウェーブフォーム・インバージョン(FWI)は高分解能地下イメージングにおいて広く採用されている技術である。
しかし、その固有の強い非線形性は、しばしば局所ミニマへの収束をもたらす。
近年,DIP-FWI (deep image pre-based reparameterized FWI) が提案されている。
ニューラルネットワークアーキテクチャにおけるスペクトルバイアスと暗黙の正規化を活用することで、DIP-FWIは局所最小化を効果的に回避し、より地質学的に妥当な速度モデルを再構築することができる。
それでも、既存のDIP-FWIは通常、インバージョンプロセスを通して固定されたランダム入力を使用し、ネットワークの入力と出力の間のマッピングと相関を利用できない。
さらに、複雑な地質条件下では、入力に先立って情報がないことが逆問題の不備を悪化させ、アーティファクトや不安定な再構築につながる可能性がある。
これらの制約に対処するために、ステアリングアルゴリズムが現在のネットワーク出力からのフィードバックを用いて各イテレーションにおけるネットワークパラメータと入力を交互に更新する自己強化型DIP-FWI(SRDIP-FWI)フレームワークを提案する。
この設計により、適応的な構造強化と正規化の改善が可能となり、FWIの悪さを効果的に軽減できる。
さらに、SRDIP-FWIにおけるネットワークのスペクトルバイアスを分析し、マルチスケール速度モデル構築におけるその役割を定量化する。
SRDIP-FWIは, マルチスケールFWIに比べて高分解能, 精度, 深度浸透性に優れた。
さらに、SRDIP-FWIは、手動の周波数帯域選択と時間ウィンドウ選択の必要性を排除し、インバージョンワークフローを大幅に単純化する。
提案手法は, 高精度な地下速度モデル再構成のための新しい, 適応的でロバストなフレームワークを提供する。
関連論文リスト
- Adaptive Training of INRs via Pruning and Densification [6.759337697337581]
本稿では、最適化の過程で暗黙的な神経表現を洗練させる適応的なトレーニングスキームであるAIReを紹介する。
提案手法では,表現能力を向上させるために,ニューロンプルーニング機構を用いて冗長性と入力周波数密度化を回避する。
コードと事前訓練されたモデルは、パブリック使用のためにリリースされる。
論文 参考訳（メタデータ） (2025-10-27T23:52:46Z) - Rotation Equivariant Arbitrary-scale Image Super-Resolution [62.41329042683779]
任意のスケールの超解像(ASISR)は、低解像度の入力画像から任意のスケールの高分解能回復を実現することを目的としている。
本研究では, 回転同変ASISR法の構築に尽力する。
論文 参考訳（メタデータ） (2025-08-07T08:51:03Z) - 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) - Automatic Differentiation-based Full Waveform Inversion with Flexible Workflows [6.41869310373004]
フルウェーブフォームインバージョン(FWI)は、観測データとシミュレーションデータとの差を最小限に抑え、高分解能地下モデルを構築することができる。
近年、自動微分(AD)は、FWIを含む様々な逆問題の解法を単純化するのに有効であることが証明されている。
本稿では、FWIにおける新しいアプローチの設計、開発、評価を柔軟に簡易化するオープンソースADベースのFWIフレームワーク(ADFWI)を提案する。
論文 参考訳（メタデータ） (2024-11-30T13:58:41Z) - PRISTA-Net: Deep Iterative Shrinkage Thresholding Network for Coded
Diffraction Patterns Phase Retrieval [6.982256124089]
位相検索は、計算画像および画像処理における非線型逆問題である。
我々は,1次反復しきい値しきい値アルゴリズム(ISTA)に基づく深層展開ネットワークであるPRISTA-Netを開発した。
非線形変換,しきい値,ステップサイズなど,提案するPRISTA-Netフレームワークのパラメータはすべて,設定されるのではなく,エンドツーエンドで学習される。
論文 参考訳（メタデータ） (2023-09-08T07:37:15Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - Implicit Full Waveform Inversion with Deep Neural Representation [91.3755431537592]
連続的かつ暗黙的に定義されたディープニューラル表現を用いた暗黙完全波形逆変換(IFWI)アルゴリズムを提案する。
理論的および実験的解析は、ランダムな初期モデルが与えられた場合、IFWIが大域的な最小値に収束できることを示している。
IFWIは、様々な2次元地質モデルの実験で実証される、ある程度の堅牢性と強い一般化能力を持っている。
論文 参考訳（メタデータ） (2022-09-08T01:54:50Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Patch Based Transformation for Minimum Variance Beamformer Image
Approximation Using Delay and Sum Pipeline [0.0]
本研究では,空間内の固定領域に対する遅延補償無線周波数(RF)パッチをU-Netアーキテクチャによって変換するパッチレベルU-Netベースニューラルネットワークを提案する。
提案手法は、ネットワークのパラメータにおけるMVDR手法によって行われるデータ駆動重み適応を考慮に入れた、RFデータ空間の非線形変換を扱う。
論文 参考訳（メタデータ） (2021-10-19T19:36:59Z) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳（メタデータ） (2020-05-20T11:11:47Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z)
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。