論文の概要: Joint 3D Gravity and Magnetic Inversion via Rectified Flow and Ginzburg-Landau Guidance

• arxiv url: http://arxiv.org/abs/2603.06829v1
• Date: Fri, 06 Mar 2026 19:43:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.188763
• Title: Joint 3D Gravity and Magnetic Inversion via Rectified Flow and Ginzburg-Landau Guidance
• Title（参考訳）: 凝固流とギンズブルグ・ランダウ誘導による3次元重力と磁気インバージョン
• Authors: Dhruman Gupta, Yashas Shende, Aritra Das, Chanda Grover Kamra, Debayan Gupta,
• Abstract要約: 我々は,Noddyverseデータセット上の補正フローとして,3次元重力と磁気ジョイントインバージョンを再構成する新しいフレームワークを提案する。 また,既存の無条件デノイザを組み込んだプラグイン・アンド・プレイモジュールとして使用可能なGL理論に基づくガイダンス手法を提案する。
• 参考スコア（独自算出の注目度）: 3.931928743971944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subsurface ore detection is of paramount importance given the gradual depletion of shallow mineral resources in recent years. It is crucial to explore approaches that go beyond the limitations of traditional geological exploration methods. One such promising new method is joint magnetic and gravitational inversion. Given magnetic and gravitational data on a surface, jointly reconstructing the underlying densities that generate them remains an ill-posed inverse problem. Although joint inversion of multiple properties mitigates the non-uniqueness problem in magnetic and gravitational data, deterministic algorithms converge to a single regularized solution and thus do not capture the distribution of possible solutions. Similarly, most machine learning based techniques predict a single solution without modelling the entire distribution. In this paper, we introduce a novel framework that reframes 3D gravity and magnetic joint inversion as a rectified flow on the Noddyverse dataset, the largest physics-based dataset for inversion. We introduce a Ginzburg-Landau (GL) regularizer, a generalized version of the Ising model that aids in ore identification, enabling physics-aware training. We also propose a guidance methodology based on GL theory that can be used as a plug-and-play module with existing unconditional denoisers. Lastly, we also train and release a VAE for the 3D densities, which facilitates downstream work in the field.
• Abstract（参考訳）: 近年,浅層鉱物資源が徐々に枯渇していることを考えると,地下鉱石検出が最重要視されている。 従来の地質探査手法の限界を超えるアプローチを探求することが不可欠である。 そのような有望な新しい手法の1つは、磁気と重力の逆転である。 表面の磁気的および重力的なデータを考えると、それらを生成する基礎となる密度を共同で再構築することは不適切な逆問題のままである。 多重特性の合同反転は、磁気および重力データにおける非特異性問題を緩和するが、決定論的アルゴリズムは単一の正規化解に収束し、可能な解の分布を捉えない。 同様に、ほとんどの機械学習ベースのテクニックは、分散全体をモデル化せずに単一のソリューションを予測する。 本稿では,3次元重力と磁気ジョイントインバージョンを,物理学ベースで最大のインバージョンデータセットであるNoddyverseデータセット上で整流する新しいフレームワークを提案する。 本稿では,Isingモデルの一般化版であるGinzburg-Landau正則化器(GL)を導入する。 また,既存の無条件デノイザを組み込んだプラグイン・アンド・プレイモジュールとして使用可能なGL理論に基づくガイダンス手法を提案する。 最後に、フィールドでの下流作業を容易にする3D密度のためのVAEのトレーニングとリリースも行います。

関連論文リスト

• Physics Aware Neural Networks: Denoising for Magnetic Navigation [3.624059602945058]
  空中システムは、地磁気データを抽出する上で重要な課題に直面している。 本研究では, 分散自由ベクトル場とE(3)等分散という, 物理学に基づく2つの制約に基づく枠組みを提案する。 実験により、これらの制約を埋め込むことで予測精度と物理的妥当性が大幅に向上し、古典的なディープラーニングアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-14T09:23:57Z)
• Three-dimensional inversion of gravity data using implicit neural representations [2.7372527234669115]
  重力データのインバージョンは、多様な応用に関連する地下密度の変動を研究する重要な方法である。 ここでは,三次元重力インバージョンを連続場として表す科学的機械学習手法を提案する。
  論文  参考訳（メタデータ） (2025-10-17T03:55:08Z)
• Performance of Machine Learning Methods for Gravity Inversion: Successes and Challenges [0.0]
  機械学習の最近の進歩は、重力反転のためのデータ駆動アプローチを動機付けている。 まず、重力異常を直接密度場にマッピングするように訓練された畳み込みニューラルネットワークを設計する。 生成モデルをさらに研究するために,変分オートエンコーダ(VAE)とGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2025-09-28T19:19:07Z)
• Physics-Trained Neural Network as Inverse Problem Solver for Potential Fields: An Example of Downward Continuation between Arbitrary Surfaces [9.727358008769501]
  下向きの継続は、重力や磁場を含むポテンシャル場処理において重要なタスクである。 本稿では,この課題に対する物理学習型ディープニューラルネットワーク(DNN)に基づく新しいソリューションを提案する。 提案手法を西南極の合成磁気データと実世界の磁気データの両方で検証した。
  論文  参考訳（メタデータ） (2025-01-26T15:45:19Z)
• Self-Supervised Knowledge-Driven Deep Learning for 3D Magnetic Inversion [6.001304967469112]
  提案する自己教師型知識駆動型3次元磁気インバージョン法は, インバージョンモデルとフォワードモデルの閉ループにより, 対象フィールドデータから学習する。 提案した逆転モデルには知識駆動型モジュールがあり、深層学習法をより説明しやすくする。 実験により,提案手法は優れた性能を有する信頼性のある磁気反転法であることが示された。
  論文  参考訳（メタデータ） (2023-08-23T15:31:38Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• Simplifying Hamiltonian and Lagrangian Neural Networks via Explicit Constraints [49.66841118264278]
  私たちは、現在のアプローチの限界を押し上げるために、一連の挑戦的なカオスと拡張ボディシステムを導入します。 実験の結果,明示的な制約を持つモンテカルロ座標は,精度とデータ効率を100倍に向上させることがわかった。
  論文  参考訳（メタデータ） (2020-10-26T13:35:16Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)

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。