論文の概要: Diffusion priors enhanced velocity model building from time-lag images using a neural operator

• arxiv url: http://arxiv.org/abs/2512.23375v1
• Date: Mon, 29 Dec 2025 11:12:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.473821
• Title: Diffusion priors enhanced velocity model building from time-lag images using a neural operator
• Title（参考訳）: ニューラル演算子を用いた時間ラグ画像からの拡散先行速度モデル構築
• Authors: Xiao Ma, Mohammad Hasyim Taufik, Tariq Alkhalifah,
• Abstract要約: 生成モデルとニューラル演算子を組み合わせて高分解能速度モデルを得る新しいフレームワークを提案する。 合成データとフィールドデータの両方の実験は、提案した生成型ニューラル演算子に基づく速度モデル構築手法の有効性を実証している。
• 参考スコア（独自算出の注目度）: 6.998175750408805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Velocity model building serves as a crucial component for achieving high precision subsurface imaging. However, conventional velocity model building methods are often computationally expensive and time consuming. In recent years, with the rapid advancement of deep learning, particularly the success of generative models and neural operators, deep learning based approaches that integrate data and their statistics have attracted increasing attention in addressing the limitations of traditional methods. In this study, we propose a novel framework that combines generative models with neural operators to obtain high resolution velocity models efficiently. Within this workflow, the neural operator functions as a forward mapping operator to rapidly generate time lag reverse time migration (RTM) extended images from the true and migration velocity models. In this framework, the neural operator is acting as a surrogate for modeling followed by migration, which uses the true and migration velocities, respectively. The trained neural operator is then employed, through automatic differentiation, to gradually update the migration velocity placed in the true velocity input channel with high resolution components so that the output of the network matches the time lag images of observed data obtained using the migration velocity. By embedding a generative model, trained on a high-resolution velocity model distribution, which corresponds to the true velocity model distribution used to train the neural operator, as a regularizer, the resulting predictions are cleaner with higher resolution information. Both synthetic and field data experiments demonstrate the effectiveness of the proposed generative neural operator based velocity model building approach.
• Abstract（参考訳）: 速度モデル構築は、高精度な地下イメージングを実現する上で重要な要素である。 しかし,従来の速度モデル構築手法は計算コストが高く,時間を要することが多い。 近年、ディープラーニングの急速な進歩、特に生成モデルやニューラル演算子の成功により、データとそれらの統計を統合するディープラーニングベースのアプローチは、従来の手法の限界に対処する上で注目を集めている。 本研究では,生成モデルとニューラル演算子を結合して高分解能速度モデルを得る手法を提案する。 このワークフロー内で、ニューラル演算子は前方マッピング演算子として機能し、真の速度モデルとマイグレーション速度モデルからRTM(Time lag reverse time migration)拡張イメージを高速に生成する。 このフレームワークでは、ニューラルオペレータがモデリングのサロゲートとして機能し、それぞれ真の速度とマイグレーション速度を使用するマイグレーションが続く。 トレーニングされたニューラル演算子は、自動微分により、真の速度入力チャネルに置かれた移動速度を高分解能成分で徐々に更新し、移動速度を用いて得られた観測データのタイムラグ画像とネットワークの出力を一致させる。 ニューラル演算子のトレーニングに用いる真の速度モデル分布に対応する高分解能速度モデル分布に基づいて訓練された生成モデルを正規化器として埋め込むことにより、その結果の予測は高分解能情報でよりクリーンになる。 合成データとフィールドデータの両方の実験は、提案した生成型ニューラル演算子に基づく速度モデル構築手法の有効性を実証している。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• DiffPINN: Generative diffusion-initialized physics-informed neural networks for accelerating seismic wavefield representation [3.069335774032178]
  物理インフォームドニューラルネットワーク(PINN)は、地震波場モデリングのための強力なフレームワークを提供する。 PINNは通常、異なる速度モデルに適用する場合、時間を要する。 高速かつ効果的なPINN初期化のための潜伏拡散に基づく戦略を導入する。
  論文  参考訳（メタデータ） (2025-05-31T08:41:06Z)
• Mean Flows for One-step Generative Modeling [64.4997821467102]
  本稿では,一段階生成モデリングのための原理的かつ効果的なフレームワークを提案する。 ニューラルネットワークトレーニングのガイドには,平均速度と瞬時速度を適切に定義したアイデンティティが導出され,使用される。 提案手法はMeanFlowモデルと呼ばれ,自己完結型であり,事前学習,蒸留,カリキュラム学習は不要である。
  論文  参考訳（メタデータ） (2025-05-19T17:59:42Z)
• Implicit factorized transformer approach to fast prediction of turbulent channel flows [6.70175842351963]
  本稿では,従来の連鎖因数分解処理を並列因数分解処理に置き換える改良型暗黙因数分解変換器 (IFactFormer-m) モデルを提案する。 IFactFormer-mモデルは乱流流の長期予測に成功している。
  論文  参考訳（メタデータ） (2024-12-25T09:05:14Z)
• Machine learning-enabled velocity model building with uncertainty quantification [0.41942958779358674]
  移動速度モデルの正確な特徴付けは、幅広い物理応用に不可欠である。 従来の速度モデル構築法は強力であるが、逆問題の本質的な複雑さに悩まされることが多い。 本稿では,Diffusion Networkの形で生成モデリングと物理インフォームド・サマリ・統計を統合したスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T01:36:48Z)
• Propagating the prior from shallow to deep with a pre-trained velocity-model Generative Transformer network [2.499907423888049]
  地中速度モデルの構築は,観測・モニタリングに地震データを活用する上で,我々の目標に不可欠である。 本研究では,トランスフォーマーデコーダを用いた新しい実装であるVelocityGPTを導入する。 本研究では, 地震波速度モデル構築のための生成モデル構築におけるVelocityGPTの有効性を示す。
  論文  参考訳（メタデータ） (2024-08-19T07:56:43Z)
• A-SDM: Accelerating Stable Diffusion through Redundancy Removal and Performance Optimization [54.113083217869516]
  本研究ではまず,ネットワークの計算冗長性について検討する。 次に、モデルの冗長性ブロックをプルークし、ネットワーク性能を維持する。 第3に,計算集約型注意部を高速化するグローバル地域対話型注意(GRI)を提案する。
  論文  参考訳（メタデータ） (2023-12-24T15:37:47Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Seismic wave propagation and inversion with Neural Operators [7.296366040398878]
  我々は、最近開発されたNeural Operatorと呼ばれる機械学習パラダイムを用いて、一般的なソリューションを学習するためのプロトタイプフレームワークを開発した。 訓練されたニューラル演算子は、任意の速度構造やソース位置について、無視可能な時間で解を計算することができる。 本手法を2次元音響波動方程式を用いて説明し, 地震トモグラフィへの適用性を実証する。
  論文  参考訳（メタデータ） (2021-08-11T19:17:39Z)

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。