論文の概要: SAGE: Subsurface AI-driven Geostatistical Extraction with proxy posterior

• arxiv url: http://arxiv.org/abs/2604.00307v1
• Date: Tue, 31 Mar 2026 23:06:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.760216
• Title: SAGE: Subsurface AI-driven Geostatistical Extraction with proxy posterior
• Title（参考訳）: SAGE: プロキシ後部を用いた地下AI駆動地統計抽出
• Authors: Huseyin Tuna Erdinc, Ipsita Bhar, Rafael Orozco, Thales Souza, Felix J. Herrmann,
• Abstract要約: 不完全な観測から統計的に一貫したプロキシ速度を生成するための新しいフレームワークであるSAGEを紹介する。 トレーニング中、SAGEは、両方のモード(井戸と地震)で条件付けられた速度モデル上のプロキシ後部モデルを学ぶ。 推論の際には、学習した分布に暗黙的に符号化された良質な情報を持つ、移行した画像にのみ条件付きフル解像度の速度場を生成する。
• 参考スコア（独自算出の注目度）: 0.06524460254566902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative networks have enabled new approaches to subsurface velocity model synthesis, offering a compelling alternative to traditional methods such as Full Waveform Inversion. However, these approaches predominantly rely on the availability of large-scale datasets of high-quality, geologically realistic subsurface velocity models, which are often difficult to obtain in practice. We introduce SAGE, a novel framework for statistically consistent proxy velocity generation from incomplete observations, specifically sparse well logs and migrated seismic images. During training, SAGE learns a proxy posterior over velocity models conditioned on both modalities (wells and seismic); at inference, it produces full-resolution velocity fields conditioned solely on migrated images, with well information implicitly encoded in the learned distribution. This enables the generation of geologically plausible and statistically accurate velocity realizations. We validate SAGE on both synthetic and field datasets, demonstrating its ability to capture complex subsurface variability under limited observational constraints. Furthermore, samples drawn from the learned proxy distribution can be leveraged to train downstream networks, supporting inversion workflows. Overall, SAGE provides a scalable and data-efficient pathway toward learning geological proxy posterior for seismic imaging and inversion. Repo link: https://github.com/slimgroup/SAGE.
• Abstract（参考訳）: 生成ネットワークの最近の進歩により、地下速度モデル合成の新しいアプローチが実現され、Full Waveform Inversionのような従来の手法に代わる魅力的な方法が提供された。 しかし、これらのアプローチは主に、高品質で地質学的に現実的な地下速度モデルによる大規模なデータセットの可用性に依存しており、実際は入手が困難であることが多い。 不完全な観測から統計的に一貫したプロキシ速度を生成する新しいフレームワークであるSAGEについて紹介する。 トレーニング中、SAGEは、モダリティ(井戸と地震)の両方で条件づけられた速度モデルよりも後方のプロキシを学習し、推論では、学習された分布に暗黙的に符号化された、移行された画像にのみ条件づけられたフル解像度の速度場を生成する。 これにより、地質学的に妥当で統計的に正確な速度の実現が可能になる。 我々はSAGEを合成データセットとフィールドデータセットの両方で検証し、観測制約下で複雑な地下変動を捉える能力を実証した。 さらに、学習したプロキシディストリビューションから引き出されたサンプルを使用して、ダウンストリームネットワークをトレーニングし、インバージョンワークフローをサポートする。 全体として、SAGEは、地震イメージングとインバージョンのための地質学的プロキシー後部を学習するためのスケーラブルでデータ効率のよい経路を提供する。 リポジトリリンク: https://github.com/slimgroup/SAGE.com

関連論文リスト

• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Generative Geostatistical Modeling from Incomplete Well and Imaged Seismic Observations with Diffusion Models [0.24578723416255752]
  拡散生成モデルを用いて地下速度モデルを合成する新しい手法を提案する。 本手法は, 完全標本化を必要とせず, 不完全な観測と地震観測を生かし, 高忠実度速度試料を作製する。
  論文  参考訳（メタデータ） (2024-05-16T20:30:43Z)
• Controllable seismic velocity synthesis using generative diffusion models [4.2193475197905705]
  本研究では, 地震波速度合成のための条件付き生成拡散モデルを提案する。 このアプローチは、予測された目標分布と密接に一致する地震波速度の生成を可能にする。 OpenFWIデータセット上での拡散モデルのトレーニングにより,本手法の柔軟性と有効性を示す。
  論文  参考訳（メタデータ） (2024-02-09T09:41:26Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Probabilistic forecasting for geosteering in fluvial successions using a generative adversarial network [0.0]
  リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。 本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。 この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
  論文  参考訳（メタデータ） (2022-07-04T12:52:38Z)
• Transfer learning to improve streamflow forecasts in data sparse regions [0.0]
  本研究では,データスパース領域におけるストリームフロー予測の一般化性能向上のために,微調整およびパラメータ転送による伝達学習(TL)の方法論について検討する。 本稿では,Long Short-Term Memory(LSTM)という形式で,十分に大きなソースドメインデータセットに適合する標準のリカレントニューラルネットワークを提案する。 本稿では,モデルの空間的および時間的成分を分離し,モデルを一般化する訓練を行うことにより,水文学応用のための伝達学習手法を実装する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-06T14:52:53Z)

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。