論文の概要: High-Fidelity Compression of Seismic Velocity Models via SIREN Auto-Decoders

• arxiv url: http://arxiv.org/abs/2603.14284v1
• Date: Sun, 15 Mar 2026 08:43:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.723069
• Title: High-Fidelity Compression of Seismic Velocity Models via SIREN Auto-Decoders
• Title（参考訳）: SIRENオートデコーダによる地震波速度モデルの高精度圧縮
• Authors: Caiyun Liu, Xiaoxue Luo, Jie Xiong,
• Abstract要約: Inlicit Neural Representations (INR) は、グリッド解像度とは独立に連続的な信号を表現するための強力なパラダイムとして登場した。 SIREN(Sinusoidal Networks)自動デコーダに基づく多構造地震波速度モデルを表現する高忠実度ニューラルネットワーク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）: 4.372801786407988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit Neural Representations (INRs) have emerged as a powerful paradigm for representing continuous signals independently of grid resolution. In this paper, we propose a high-fidelity neural compression framework based on a SIREN (Sinusoidal Representation Networks) auto-decoder to represent multi-structural seismic velocity models from the OpenFWI benchmark. Our method compresses each 70x70 velocity map (4,900 points) into a compact 256-dimensional latent vector, achieving a compression ratio of 19:1. We evaluate the framework on 1,000 samples across five diverse geological families: FlatVel, CurveVel, FlatFault, CurveFault, and Style. Experimental results demonstrate an average PSNR of 32.47 dB and SSIM of 0.956, indicating high-quality reconstruction. Furthermore, we showcase two key advantages of our implicit representation: (1) smooth latent space interpolation that generates plausible intermediate velocity structures, and (2) zero-shot super-resolution capability that reconstructs velocity fields at arbitrary resolutions up to 280x280 without additional training. The results highlight the potential of INR-based auto-decoders for efficient storage, multi-scale analysis, and downstream geophysical applications such as full waveform inversion.
• Abstract（参考訳）: Inlicit Neural Representations (INR) は、グリッド解像度とは独立に連続的な信号を表現するための強力なパラダイムとして登場した。 本稿では,SIREN(Sinusoidal Representation Networks)自動デコーダに基づく高忠実度ニューラル圧縮フレームワークを提案する。 提案手法は,それぞれ70×70の速度マップ(4,900点)を256次元遅延ベクトルに圧縮し,圧縮比を19:1とする。 このフレームワークは,FlatVel,CurveVel,FlatFault,CurveFault,Styleの5つの多様な地質群にまたがる1,000のサンプルに対して評価を行った。 実験の結果, 平均PSNRは32.47dB, SSIMは0.956であり, 高品質な再現性を示した。 さらに,(1)可塑性中間速度構造を生成する滑らかな潜時空間補間,(2)任意の分解能で最大280×280まで速度場を再構成するゼロショット超解像能力を示す。 この結果から,INRをベースとした高速ストレージ,マルチスケール解析,およびフルウェーブフォームインバージョンなどの下流物理応用のためのオートデコーダの可能性を強調した。

関連論文リスト

• Hierarchical Vector-Quantized Latents for Perceptual Low-Resolution Video Compression [1.332091725929965]
  低解像度ビデオのコンパクトかつ高忠実な潜在表現を生成するために設計されたマルチスケールベクトル量子変分オートコーダ(MS-VQ-VAE)を提案する。 我々のアーキテクチャは、VQ-VAE-2フレームワークを指数展開設定に拡張し、3次元残差畳み込みで構築された2段階の潜伏構造を導入している。 提案フレームワークは、リアルタイムストリーミング、モバイル分析、CDNレベルのストレージ最適化など、帯域幅に敏感なシナリオにおけるスケーラブルなビデオ圧縮に適している。
  論文  参考訳（メタデータ） (2025-12-31T01:07:17Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Wavelet-Space Representations for Neural Super-Resolution in Rendering Pipelines [0.0]
  本稿では,RGB値を直接回帰するのではなく,定常ウェーブレット係数を予測する定式化を導入する。 ウェーブレットドメイン・ニューラル超解像は、高画質リアルタイムレンダリングへの原則的かつ効率的な経路を提供する。
  論文  参考訳（メタデータ） (2025-08-22T01:01:44Z)
• Accelerated Volumetric Compression without Hierarchies: A Fourier Feature Based Implicit Neural Representation Approach [0.0]
  本稿では,Fourierfeatureエンコーディングと選択的ボキセルサンプリングを組み合わせた構造自由なニューラル圧縮手法を提案する。 我々の動的ボクセル選択は、形態的拡張を用いて活動領域を優先順位付けし、階層的なメタデータを使わずに冗長な計算を減らします。
  論文  参考訳（メタデータ） (2025-08-12T13:43:07Z)
• Dynamic Frame Interpolation in Wavelet Domain [57.25341639095404]
  ビデオフレームは、より流動的な視覚体験のためにフレームレートを上げることができる、重要な低レベルな計算ビジョンタスクである。 既存の手法は、高度なモーションモデルと合成ネットワークを利用することで大きな成功を収めた。 WaveletVFIは、同様の精度を維持しながら最大40%の計算を削減できるため、他の最先端技術に対してより効率的に処理できる。
  論文  参考訳（メタデータ） (2023-09-07T06:41:15Z)
• Modality-Agnostic Variational Compression of Implicit Neural Representations [96.35492043867104]
  Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。 潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。 このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
  論文  参考訳（メタデータ） (2023-01-23T15:22:42Z)
• Megapixel Image Generation with Step-Unrolled Denoising Autoencoders [5.145313322824774]
  本稿では,サンプルの解像度を高くする手法と,トレーニングとサンプリングの計算要求を低減させる手法の組み合わせを提案する。 例えば、ベクトル量子化GAN(VQ-GAN)、高レベルの損失 - しかし知覚的に重要 - 圧縮 - が可能なベクトル量子化(VQ)モデル、時間ガラストランスフォーマー、高スケールの自己アテンションモデル、非自己回帰(NAR)テキスト生成モデルであるステップ制御型デノイングオートエンコーダ(SUNDAE)などがある。 提案するフレームワークは,高解像度(1024×1024$)までスケールし,(高速で)トレーニングを行う。
  論文  参考訳（メタデータ） (2022-06-24T15:47:42Z)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)
• DeepCompress: Efficient Point Cloud Geometry Compression [1.808877001896346]
  本稿では,ポイントクラウド圧縮のためのより効率的なディープラーニングベースのエンコーダアーキテクチャを提案する。 CENIC(Efficient Neural Image Compression)から学習した活性化関数を組み込むことで,効率と性能が劇的に向上することを示す。 提案手法は,BjontegardデルタレートとPSNR値において,ベースラインアプローチよりも小さなマージンで優れていた。
  論文  参考訳（メタデータ） (2021-06-02T23:18:11Z)

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。