論文の概要: Seismic full-waveform inversion based on a physics-driven generative adversarial network

• arxiv url: http://arxiv.org/abs/2603.14879v1
• Date: Mon, 16 Mar 2026 06:24:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.097351
• Title: Seismic full-waveform inversion based on a physics-driven generative adversarial network
• Title（参考訳）: 物理駆動型生成対向ネットワークに基づく地震波フルウェーブフォームインバージョン
• Authors: Xinyi Zhang, Caiyun Liu, Jie Xiong, Qingfeng Yu,
• Abstract要約: フルウェーブフォームインバージョン(FWI)は、予測された地震データと観測された地震データとのミスフィットを反復的に最小化することにより、地下速度モデルを再構築する。 FWIは、データがスパースまたはノイズによって汚染されたときに不安定な結果を生成する。 本稿では,物理駆動型逆方向ネットワークに基づくフルウェーブフォームインバージョン法を提案する。
• 参考スコア（独自算出の注目度）: 4.185971789614353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objectives: Full-waveform inversion (FWI) is a high-resolution geophysical imaging technique that reconstructs subsurface velocity models by iteratively minimizing the misfit between predicted and observed seismic data. However, under complex geological conditions, conventional FWI suffers from strong dependence on the initial model and tends to produce unstable results when the data are sparse or contaminated by noise. Methods: To address these limitations, this paper proposes a physics-driven generative adversarial network-based full-waveform inversion method. The proposed approach integrates the data-driven capability of deep neural networks with the physical constraints imposed by the seismic wave equation, and employs adversarial training through a discriminator to enhance the stability and robustness of the inversion results. Results: Experimental results on two representative benchmark geological models demonstrate that the proposed method can effectively recover complex velocity structures and achieves superior performance in terms of structural similarity (SSIM) and signal-to-noise ratio (SNR). Conclusions: This method provides a promising solution for alleviating the initial-model dependence in full-waveform inversion and shows strong potential for practical applications.
• Abstract（参考訳）: 目的:フルウェーブフォーム・インバージョン(FWI)は、予測された地震データと観測された地震データとのミスフィットを反復的に最小化することにより地下速度モデルを再構成する高分解能な物理画像化技術である。 しかし、複雑な地質条件下では、従来のFWIは初期モデルへの強い依存に悩まされ、データが疎外されたりノイズによって汚染されたりすると不安定な結果をもたらす傾向にある。 方法: これらの制約に対処するため, 本論文では, 物理駆動型生成逆数ネットワークに基づくフルウェーブフォーム逆変換法を提案する。 提案手法は, 深部ニューラルネットワークのデータ駆動能力と地震波方程式の物理的制約とを融合し, 識別器による逆トレーニングを用いて, 逆解析結果の安定性と堅牢性を高める。 結果: 提案手法は, 複雑な速度構造を効果的に復元し, 構造類似性(SSIM)と信号-雑音比(SNR)の点で優れた性能が得られることを示す。 結論: 本手法は, フルウェーブフォーム・インバージョンにおける初期モデル依存を緩和するための有望な解を提供し, 実用的な応用の可能性を示す。

関連論文リスト

• Wavefront-Constrained Passive Obscured Object Detection [18.56759054781774]
  視界の向こう側にあるかすかな光のパターンから、隠された物体を正確に位置決めし、セグメンテーションすることは極めて困難である。 既存のほとんどの手法は、実数値モデリングや局所的な畳み込み操作に基づいており、コヒーレント光伝播の基礎となる物理を捉えるには不十分である。 本稿では,波面伝播をシミュレーションし,不明瞭な物体の知覚を高める物理駆動型波面伝搬補償ネットワーク(WavePCNet)を提案する。
  論文  参考訳（メタデータ） (2025-11-26T02:46:15Z)
• Ambient Noise Full Waveform Inversion with Neural Operators [11.44207799108199]
  近年の研究では、ニューラル演算子と呼ばれる新しい機械学習モデルが、従来の方法よりもはるかに高速にエラストダイナミック波動方程式のオーダーを解くことができることが示されている。 本研究では, 実地震データセット上での完全な波形インバージョンに対するニューラル演算子の最初の応用を実証する。
  論文  参考訳（メタデータ） (2025-03-19T09:10:43Z)
• PreAdaptFWI: Pretrained-Based Adaptive Residual Learning for Full-Waveform Inversion Without Dataset Dependency [8.719356558714246]
  フルウェーブフォーム・インバージョン(Full-waveform Inversion、FWI)は、地震データを用いて地下媒体の物理パラメータを反転させる手法である。 異常な性質のため、FWIは局所的なミニマに閉じ込められやすい。 ニューラルネットワークとFWIを組み合わせることで、インバージョンプロセスの安定化が試みられている。
  論文  参考訳（メタデータ） (2025-02-17T15:30:17Z)
• Integrating Physics of the Problem into Data-Driven Methods to Enhance Elastic Full-Waveform Inversion with Uncertainty Quantification [0.0]
  フルウェーブフォーム・インバージョン(Full-Waveform Inversion, FWI)は、非線形反復型地震探査技術である。 FWIは地下物理特性の詳細な推定を行うことができる。 FWIの強い非線形性は、局所ミニマにおける最適化をトラップすることができる。
  論文  参考訳（メタデータ） (2024-06-04T11:30:40Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Implicit Full Waveform Inversion with Deep Neural Representation [91.3755431537592]
  連続的かつ暗黙的に定義されたディープニューラル表現を用いた暗黙完全波形逆変換(IFWI)アルゴリズムを提案する。 理論的および実験的解析は、ランダムな初期モデルが与えられた場合、IFWIが大域的な最小値に収束できることを示している。 IFWIは、様々な2次元地質モデルの実験で実証される、ある程度の堅牢性と強い一般化能力を持っている。
  論文  参考訳（メタデータ） (2022-09-08T01:54:50Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)

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。