論文の概要: Propagating the prior from far to near offset: A self-supervised diffusion framework for progressively recovering near-offsets of towed-streamer data

• arxiv url: http://arxiv.org/abs/2602.01909v1
• Date: Mon, 02 Feb 2026 10:13:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.067867
• Title: Propagating the prior from far to near offset: A self-supervised diffusion framework for progressively recovering near-offsets of towed-streamer data
• Title（参考訳）: 遠方から近方へ伝搬する:曳航ストリーマーデータの近接オフセットを段階的に回復する自己教師付き拡散フレームワーク
• Authors: Shijun Cheng, Tariq Alkhalifah,
• Abstract要約: トレッド・ストリーマーの地震では、最も近いハイドロフォンはしばしば源から200メートル離れている。 本稿では,近接オフセット参照データを必要とせずに,欠落したニアオフセットトレースを再構成する自己教師付き拡散ベースフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.7098038388802252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In marine towed-streamer seismic acquisition, the nearest hydrophone is often two hundred meter away from the source resulting in missing near-offset traces, which degrades critical processing workflows such as surface-related multiple elimination, velocity analysis, and full-waveform inversion. Existing reconstruction methods, like transform-domain interpolation, often produce kinematic inconsistencies and amplitude distortions, while supervised deep learning approaches require complete ground-truth near-offset data that are unavailable in realistic acquisition scenarios. To address these limitations, we propose a self-supervised diffusion-based framework that reconstructs missing near-offset traces without requiring near-offset reference data. Our method leverages overlapping patch extraction with single-trace shifts from the available far-offset section to train a conditional diffusion model, which learns offset-dependent statistical patterns governing event curvature, amplitude variation, and wavelet characteristics. At inference, we perform trace-by-trace recursive extrapolation from the nearest recorded offset toward zero offset, progressively propagating learned prior information from far to near offsets. The generative formulation further provides uncertainty estimates via ensemble sampling, quantifying prediction confidence where validation data are absent. Controlled validation experiments on synthetic and field datasets show substantial performance gains over conventional parabolic Radon transform baselines. Operational deployment on actual near-offset gaps demonstrates practical viability where ground-truth validation is impossible. Notably, the reconstructed waveforms preserve realistic amplitude-versus-offset trends despite training exclusively on far-offset observations, and uncertainty maps accurately identify challenging extrapolation regions.
• Abstract（参考訳）: 海中トレッド・ストリーマーの地震探査において、最も近いハイドロフォンはしばしば源から200メートル離れた位置にあり、ほぼオフセットの痕跡が失われ、表面関連多重除去、速度解析、フルウェーブフォームインバージョンなどの重要な処理ワークフローが劣化する。 変換領域補間のような既存の再構成手法は、しばしばキネマティックな不整合や振幅歪みを生じさせるが、教師付きディープラーニング手法では、現実的な取得シナリオでは利用できないような、完全な地平準オフセットデータを必要とする。 これらの制約に対処するために, ほぼオフセットの参照データを必要とすることなく, ほぼオフセットのトレースを復元する自己教師付き拡散ベースフレームワークを提案する。 本手法は, イベント曲率, 振幅変動, ウェーブレット特性を規定するオフセット依存統計パターンを学習する条件拡散モデルを訓練するために, 利用可能な遠オフセット区間からの単一トレースシフトによる重複パッチ抽出を利用する。 推定では、最寄りのオフセットからゼロオフセットへのトレース・バイ・トラス再帰外挿を行い、学習前の情報を遠方から近方まで段階的に伝播する。 さらに、生成定式化は、アンサンブルサンプリングを介して不確実性を推定し、検証データが欠落している場合の予測信頼度を定量化する。 合成データセットとフィールドデータセットの制御された検証実験は、従来の放物型ラドン変換ベースラインよりもかなりの性能向上を示した。 実際のニアオフセットギャップ上での運用配置は、地道検証が不可能な実用可能性を示す。 特に、再構成された波形は、遠オフセット観測のみのトレーニングにもかかわらず、現実的な振幅-逆オフセットの傾向を保ち、不確実性マップは、困難な外挿領域を正確に識別する。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• RDPI: A Refine Diffusion Probability Generation Method for Spatiotemporal Data Imputation [4.251739849724956]
  インキュベーションは交通流のモニタリング、大気質の評価、気候予報など様々な分野で重要な役割を担っている。 センサによって収集されたデータは、しばしば時間的不完全性に悩まされ、蓄積と不均一な分布は、データ不足につながる。 本稿では,初期ネットワークと条件拡散モデルに基づく2段階改良型確率計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T08:06:00Z)
• Deep evolving semi-supervised anomaly detection [14.027613461156864]
  本研究の目的は,連続的半教師付き異常検出(CSAD)のタスクを形式化することである。 本稿では,半教師付きデータを扱うための変分オートエンコーダ(VAE)のベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-01T15:48:37Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)

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。