論文の概要: Accelerated Full Waveform Inversion by Deep Compressed Learning

• arxiv url: http://arxiv.org/abs/2601.01268v1
• Date: Sat, 03 Jan 2026 19:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.154855
• Title: Accelerated Full Waveform Inversion by Deep Compressed Learning
• Title（参考訳）: 深部圧縮学習によるフルウェーブフォームインバージョン
• Authors: Maayan Gelboim, Amir Adler, Mauricio Araya-Polo,
• Abstract要約: 本稿では,計算コスト削減手法としてフルウェーブフォーム・インバージョン(FWI)入力の次元性を低減する手法を提案し,検証する。 提案手法では, 深部ニューラルネットワークと2次元センシング層を併用し, 地下モデルの大規模コーパスから, 簡潔だが連続的な地震探査レイアウトを圧縮学習することで学習する。
• 参考スコア（独自算出の注目度）: 3.4155322317700585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose and test a method to reduce the dimensionality of Full Waveform Inversion (FWI) inputs as computational cost mitigation approach. Given modern seismic acquisition systems, the data (as input for FWI) required for an industrial-strength case is in the teraflop level of storage, therefore solving complex subsurface cases or exploring multiple scenarios with FWI become prohibitive. The proposed method utilizes a deep neural network with a binarized sensing layer that learns by compressed learning a succinct but consequential seismic acquisition layout from a large corpus of subsurface models. Thus, given a large seismic data set to invert, the trained network selects a smaller subset of the data, then by using representation learning, an autoencoder computes latent representations of the data, followed by K-means clustering of the latent representations to further select the most relevant data for FWI. Effectively, this approach can be seen as a hierarchical selection. The proposed approach consistently outperforms random data sampling, even when utilizing only 10% of the data for 2D FWI, these results pave the way to accelerating FWI in large scale 3D inversion.
• Abstract（参考訳）: 本稿では,計算コスト削減手法としてフルウェーブフォーム・インバージョン(FWI)入力の次元性を低減する手法を提案し,検証する。 現代の地震観測システムを考えると、FWIの入力として必要となるデータはテラフロップの保存レベルにあるため、複雑な地下のケースを解決したり、FWIで複数のシナリオを探索することは禁じられる。 提案手法では, 深部ニューラルネットワークと2次元センシング層を併用し, 地下モデルの大規模コーパスから, 簡潔だが連続的な地震探査レイアウトを圧縮学習することで学習する。 これにより、トレーニングされたネットワークは、逆向きに設定された大きな地震データに対して、データの小さなサブセットを選択し、次に表現学習を用いて、オートエンコーダがデータの潜伏表現を計算し、次いで、潜伏表現のK平均クラスタリングを行い、FWIの最も関連性の高いデータを選択する。 効果的に、このアプローチは階層的な選択と見なすことができる。 提案手法は,2次元FWIのデータの10%しか利用していない場合でも,大規模な3次元インバージョンにおいてFWIを加速する方法を改良する。

関連論文リスト

• Under-Sampled High-Dimensional Data Recovery via Symbiotic Multi-Prior Tensor Reconstruction [10.666965599523754]
  本研究は,データ固有の構造を利用するために,複数の先行情報を統合したテンソル再構成手法を提案する。 具体的には、再構成されたデータの低ランクな制約を強制するために学習可能な分解と、平滑化と復調のための事前訓練された畳み込みニューラルネットワークと、ブロックマッチングと3Dフィルタリング正規化を組み合わせる。 カラー画像、ハイパースペクトル画像、グレースケールビデオデータセットの実験は、極端な場合において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-04-08T12:55:18Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• IPoD: Implicit Field Learning with Point Diffusion for Generalizable 3D Object Reconstruction from Single RGB-D Images [50.4538089115248]
  シングルビューRGB-D画像からの3Dオブジェクトの汎用化は依然として難しい課題である。 本稿では,暗黙の場学習と点拡散を調和させる新しい手法IPoDを提案する。 CO3D-v2データセットによる実験では、IPoDの優位性が確認され、Fスコアは7.8%、チャンファー距離は28.6%向上した。
  論文  参考訳（メタデータ） (2024-03-30T07:17:37Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Deep Compressed Learning for 3D Seismic Inversion [5.926203312586109]
  ごく少数の地震源を用いたプレスタックデータからの3次元地震インバージョン問題について考察する。 提案したソリューションは、圧縮センシングと機械学習のフレームワークの組み合わせに基づいている。
  論文  参考訳（メタデータ） (2023-10-31T19:34:26Z)
• FFEINR: Flow Feature-Enhanced Implicit Neural Representation for Spatio-temporal Super-Resolution [4.577685231084759]
  本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。 モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。 FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
  論文  参考訳（メタデータ） (2023-08-24T02:28:18Z)
• Iterative self-transfer learning: A general methodology for response time-history prediction based on small dataset [0.0]
  本研究では,小さなデータセットに基づいてニューラルネットワークを学習するための反復的自己伝達学習手法を提案する。 提案手法は,小さなデータセットに対して,ほぼ一桁の精度でモデル性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-06-14T18:48:04Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。