論文の概要: In-Context Learning for Seismic Data Processing

• arxiv url: http://arxiv.org/abs/2512.11575v1
• Date: Fri, 12 Dec 2025 14:03:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.792193
• Title: In-Context Learning for Seismic Data Processing
• Title（参考訳）: 地震データ処理のためのインコンテキスト学習
• Authors: Fabian Fuchs, Mario Ruben Fernandez, Norman Ettrich, Janis Keuper,
• Abstract要約: 本研究では, コンテキスト内学習モデルであるContextSeisNetを地震波非多重処理に適用する。 合成データ上では、ContextSeisNetはU-Netベースラインを定量的に上回り、空間コヒーレンスの向上を示す。 U-Netとは対照的に、ContextSeisNetは、改善されたニアオフセットのパフォーマンスと、より完全な多重削除を提供する。
• 参考スコア（独自算出の注目度）: 12.210922360309866
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Seismic processing transforms raw data into subsurface images essential for geophysical applications. Traditional methods face challenges, such as noisy data, and manual parameter tuning, among others. Recently deep learning approaches have proposed alternative solutions to some of these problems. However, important challenges of existing deep learning approaches are spatially inconsistent results across neighboring seismic gathers and lack of user-control. We address these limitations by introducing ContextSeisNet, an in-context learning model, to seismic demultiple processing. Our approach conditions predictions on a support set of spatially related example pairs: neighboring common-depth point gathers from the same seismic line and their corresponding labels. This allows the model to learn task-specific processing behavior at inference time by observing how similar gathers should be processed, without any retraining. This method provides both flexibility through user-defined examples and improved lateral consistency across seismic lines. On synthetic data, ContextSeisNet outperforms a U-Net baseline quantitatively and demonstrates enhanced spatial coherence between neighboring gathers. On field data, our model achieves superior lateral consistency compared to both traditional Radon demultiple and the U-Net baseline. Relative to the U-Net, ContextSeisNet also delivers improved near-offset performance and more complete multiple removal. Notably, ContextSeisNet achieves comparable field data performance despite being trained on 90% less data, demonstrating substantial data efficiency. These results establish ContextSeisNet as a practical approach for spatially consistent seismic demultiple with potential applicability to other seismic processing tasks.
• Abstract（参考訳）: 地震処理は、地球物理学に不可欠な地下画像に生データを変換する。 従来の手法ではノイズの多いデータや手動パラメータチューニングといった課題に直面している。 近年、ディープラーニングのアプローチは、これらの問題に対する代替の解決策を提案している。 しかし,既存の深層学習手法の重要な課題は,近隣の地震群にまたがる空間的に矛盾する結果とユーザコントロールの欠如である。 本研究では,これらの制約に,コンテキスト内学習モデルであるContextSeisNetを導入することで対処する。 提案手法では, 近接する共通深度点が, 同一の地震線とその対応するラベルから収集される, 空間的関係のあるサンプルペアの組について, 予測条件を定めている。 これにより、モデルが推論時にタスク固有の処理の振る舞いを学習することが可能になる。 この手法は, ユーザ定義例による柔軟性と, 耐震線間の横方向の整合性の向上を両立させる。 合成データ上では、ContextSeisNetはU-Netベースラインを定量的に上回り、近隣の集合間の空間的コヒーレンスの向上を示す。 フィールドデータでは,従来のRadon demultipleとU-Netベースラインの両モデルと比較して,横方向の整合性が優れている。 U-Netとは対照的に、ContextSeisNetは、改善されたニアオフセットのパフォーマンスと、より完全な多重削除も提供する。 特に、ContextSeisNetは、90%の少ないデータでトレーニングされているにもかかわらず、同等のフィールドデータパフォーマンスを実現し、データ効率を大幅に向上させる。 これらの結果から、ContextSeisNetは、他の地震処理タスクに適用可能な空間的に一貫した地震分離のための実践的アプローチとして確立されている。

関連論文リスト

• Multimodal-Guided Dynamic Dataset Pruning for Robust and Efficient Data-Centric Learning [49.10890099624699]
  本稿では,タスク駆動の難易度とモダリティ間のセマンティクスの整合性に基づいて,トレーニングサンプルを適応的に選択する動的データセット解析フレームワークを提案する。 私たちの研究は、堅牢なサンプル選択のためのモダリティアライメントの統合の可能性を強調し、アプリケーションドメイン全体のより効率的で堅牢なプラクティスに向けて、データ中心の学習を進めています。
  論文  参考訳（メタデータ） (2025-07-17T03:08:26Z)
• A convolutional neural network approach to deblending seismic data [1.5488464287814563]
  本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。 地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。 ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
  論文  参考訳（メタデータ） (2024-09-12T10:54:35Z)
• Efficient Large-scale Nonstationary Spatial Covariance Function Estimation Using Convolutional Neural Networks [3.5455896230714194]
  非定常データからサブリージョンを導出するためにConvNetsを使用します。 定常場に類似した振る舞いを示す部分領域を同定するために選択機構を用いる。 提案手法の性能を大規模に評価する。
  論文  参考訳（メタデータ） (2023-06-20T12:17:46Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• Task-Adaptive Neural Network Retrieval with Meta-Contrastive Learning [34.27089256930098]
  本稿では,与えられたタスクに対して最適な事前学習ネットワークを検索するニューラルネットワーク検索手法を提案する。 データセットとネットワークとの類似性を最大化するために、コントラスト損失を伴うクロスモーダルな潜在空間をメタラーニングすることによって、このフレームワークを訓練する。 提案手法の有効性を,既存のNASベースラインに対して10個の実世界のデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-03-02T06:30:51Z)
• Learning Robust Representation for Clustering through Locality Preserving Variational Discriminative Network [16.259673823482665]
  Variational Deep Embeddingは、さまざまなクラスタリングタスクで大きな成功を収めます。 VaDEは,1)入力ノイズに弱い,2)隣接するデータポイント間の局所性情報を無視する,という2つの問題に悩まされている。 強固な埋め込み判別器と局所構造制約によりvadeを改善する共同学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-25T02:31:55Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。