論文の概要: Full waveform inversion method based on diffusion model

• arxiv url: http://arxiv.org/abs/2603.22307v1
• Date: Wed, 18 Mar 2026 11:32:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.044072
• Title: Full waveform inversion method based on diffusion model
• Title（参考訳）: 拡散モデルに基づく全波形インバージョン法
• Authors: Caiyun Liu, Siyang Pei, Qingfeng Yu, Jie Xiong,
• Abstract要約: フルウェーブフォームインバージョンは高分解能地下モデルパラメータを得るためのコア技術である。 本稿では,条件付き拡散モデル正規化に基づくフルウェーブフォーム逆変換法を提案する。
• 参考スコア（独自算出の注目度）: 2.4548851012474304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Seismic full-waveform inversion is a core technology for obtaining high-resolution subsurface model parameters. However, its highly nonlinear characteristics and strong dependence on the initial model often lead to the inversion process getting trapped in local minima. In recent years, generative diffusion models have provided a way to regularize full-waveform inversion by learning implicit prior distributions. However, existing methods mostly use unconditional diffusion processes, ignoring the inherent physical coupling relationship between velocity and density and other physical properties. This paper proposes a full-waveform inversion method based on conditional diffusion model regularization. By improving the backbone network structure of the diffusion model, two-dimensional density information is introduced as a conditional input into the U-Net network. Experimental results show that the full-waveform inversion method based on the conditional diffusion model significantly improves the resolution and structural fidelity of the inversion results, and exhibits stronger stability and robustness when dealing with complex situations. This method effectively utilizes density information to constrain the inversion and has good practical application value. Keywords: Deep learning; Diffusion model; Full waveform inversion.
• Abstract（参考訳）: フルウェーブフォームインバージョンは高分解能地下モデルパラメータを得るためのコア技術である。 しかし、その非常に非線形な特性と初期モデルへの強い依存は、しばしば局所的なミニマに閉じ込められる反転過程を引き起こす。 近年では、生成拡散モデルにより、暗黙の事前分布を学習することで、全波形逆変換を正則化する手段が提供されてきた。 しかし、既存の手法は主に非条件拡散過程を使用し、速度と密度と他の物理的性質の間の固有の物理的結合関係を無視している。 本稿では,条件付き拡散モデル正規化に基づくフルウェーブフォーム逆変換法を提案する。 拡散モデルのバックボーンネットワーク構造を改善することにより、U-Netネットワークへの条件入力として2次元密度情報を導入する。 実験結果から, 条件拡散モデルに基づくフルウェーブフォーム・インバージョン法は, インバージョン結果の分解能と構造的忠実度を著しく向上し, 複雑な状況に対処する際の安定性とロバスト性を示すことがわかった。 本手法は, インバージョンを制約する密度情報を効果的に利用し, 実用的な応用価値を有する。 キーワード:ディープラーニング、拡散モデル、フルウェーブフォームインバージョン。

関連論文リスト

• PMT Waveform Simulation and Reconstruction with Conditional Diffusion Network [1.2599533416395765]
  光増倍管(英語版)(PMT)は粒子物理学や核物理学の実験に広く用いられている。 PMT波形再構成の精度は検出器の空間分解能とエネルギー分解能に直接影響を及ぼす。 本研究では,条件付き拡散ネットワークを基盤とした弱教師付き波形シミュレーションと再構成手法を提案する。
  論文  参考訳（メタデータ） (2026-02-05T15:30:47Z)
• Condition Errors Refinement in Autoregressive Image Generation with Diffusion Loss [56.120591983649824]
  本稿では拡散損失を伴う拡散・自己回帰モデルの理論解析について述べる。 自動回帰モデルにおけるパッチデノゲーション最適化は、条件誤差を効果的に軽減し、安定した条件分布をもたらすことを示す。 「条件不整合に対処するための最適輸送(OT)理論に基づく新しい条件改善手法を導入する。」
  論文  参考訳（メタデータ） (2026-02-02T07:48:04Z)
• Diffusion models for multivariate subsurface generation and efficient probabilistic inversion [0.0]
  拡散モデルは、深い生成モデリングタスクのための安定したトレーニングと最先端のパフォーマンスを提供する。 本稿では拡散モデルに固有のノイズ汚染を考慮した近似法を提案する。 統計的ロバスト性は有意に向上し, 後部確率密度関数のサンプリングが向上した。
  論文  参考訳（メタデータ） (2025-07-21T17:10:16Z)
• Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
  探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。 本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。 本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2025-06-18T11:59:15Z)
• Diffusion prior as a direct regularization term for FWI [0.0]
  フルウェーブフォーム・インバージョン(FWI)に先立つスコアベース生成拡散を提案する。 従来の拡散法とは異なり,本手法は逆拡散サンプリングを回避し,イテレーションを少なくする。 提案手法は,従来およびGANベースのFWI手法と比較して,忠実度と堅牢性を向上する。
  論文  参考訳（メタデータ） (2025-06-11T19:43:23Z)
• 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)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)

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。