論文の概要: SPAMoE: Spectrum-Aware Hybrid Operator Framework for Full-Waveform Inversion

• arxiv url: http://arxiv.org/abs/2604.07421v1
• Date: Wed, 08 Apr 2026 15:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.468404
• Title: SPAMoE: Spectrum-Aware Hybrid Operator Framework for Full-Waveform Inversion
• Title（参考訳）: SPAMoE:フルウェーブフォームインバージョンのためのスペクトル対応ハイブリッド演算子フレームワーク
• Authors: Zhenyu Wang, Peiyuan Li, Yongxiang Shi, Ruoyu Wu, Chenfei Liao, Lei Zhang,
• Abstract要約: フルウェーブフォーム・インバージョン(FWI)は高分解能地下速度モデルを再構成する上で重要な要素であるが、計算集約的で不適切な状態にある。 複雑なマルチスケール構造を解くための新しいスペクトル認識フレームワークであるSpectral-Preserving Adaptive MoE (SPAMoE)を提案する。 提案手法では、符号化された表現の高周波数エネルギー比の低境界を強制するスペクトル保存型DINO逆数を導入する。 10個のOpenFWIサブデータセットで、SPAMoEは、最も公式に報告されているOpenと比較して平均MAEを54.1%削減することを示した。
• 参考スコア（独自算出の注目度）: 15.596808274371396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Full-waveform inversion (FWI) is pivotal for reconstructing high-resolution subsurface velocity models but remains computationally intensive and ill-posed. While deep learning approaches promise efficiency, existing Convolutional Neural Networks (CNNs) and single-paradigm Neural Operators (NOs) struggle with one fundamental issue: frequency entanglement of multi-scale geological features. To address this challenge, we propose Spectral-Preserving Adaptive MoE (SPAMoE), a novel spectrum-aware framework for solving inverse problems with complex multi-scale structures. Our approach introduces a Spectral-Preserving DINO Encoder that enforces a lower bound on the high-to-low frequency energy ratio of the encoded representation, mitigating high-frequency collapse and stabilizing subsequent frequency-domain modeling. Furthermore, we design a novel Spectral Decomposition and Routing mechanism that dynamically assigns frequency bands to a Mixture-of-Experts (MoE) ensemble comprising FNO, MNO, and LNO. On the ten OpenFWI sub-datasets, experiments show that SPAMoE reduces the average MAE by 54.1% relative to the best officially reported OpenFWI baseline, thereby establishing a new architectural framework for learning-based full-waveform inversion.
• Abstract（参考訳）: フルウェーブフォーム・インバージョン (FWI) は高分解能地下速度モデルを再構成する上で重要な要素であるが、計算集約的で不適切な状態にある。 ディープラーニングアプローチが効率を約束する一方で、既存の畳み込みニューラルネットワーク(CNN)と単一パラダイムニューラルネットワーク(NOs)は、1つの根本的な問題に対処している。 この課題に対処するために、複雑なマルチスケール構造を持つ逆問題を解決するための新しいスペクトル対応フレームワークであるSpectral-Preserving Adaptive MoE (SPAMoE)を提案する。 提案手法では, スペクトル保存型DINOエンコーダを導入し, 符号化された表現の高周波数エネルギー比を低くし, 高周波崩壊を緩和し, その後の周波数領域モデリングを安定化させる。 さらに、周波数帯域をFNO、MNO、LNOからなるMixture-of-Experts(MoE)アンサンブルに動的に割り当てる新しいスペクトル分解・ルーティング機構を設計する。 10個のOpenFWIサブデータセットでは、SPAMoEは、最も公式に報告されているOpenFWIベースラインと比較して平均MAEを54.1%削減し、学習ベースのフルウェーブフォームインバージョンのための新しいアーキテクチャフレームワークを確立する。

関連論文リスト

• Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
  フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。 連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
  論文  参考訳（メタデータ） (2026-03-23T03:22:33Z)
• Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
  本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。 我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2026-02-18T10:20:50Z)
• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• WaveRNet: Wavelet-Guided Frequency Learning for Multi-Source Domain-Generalized Retinal Vessel Segmentation [4.23704854635294]
  領域一般化網膜血管分節は眼科における自動診断に重要である。 本稿では,ウェーブレット誘導周波数学習フレームワークであるWaveRNetを提案する。
  論文  参考訳（メタデータ） (2026-01-09T16:58:29Z)
• SA-EMO: Structure-Aligned Encoder Mixture of Operators for Generalizable Full-waveform Inversion [0.0]
  フルウェーブフォーム・インバージョンは高分解能モデルを生成することができるが、本質的に不適切であり、非常に非線形であり、計算集約的である。 本研究では,未知の地下構造下での速度場反転のためのSA-EMOアーキテクチャを提案する。 SA-EMOは従来のCNNやシングルオペレーター法よりも大幅に優れており、平均で58.443%、境界分解能が10.308%向上している。
  論文  参考訳（メタデータ） (2025-11-07T14:03:43Z)
• WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
  本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。 高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。 標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-10-24T01:41:31Z)
• FADPNet: Frequency-Aware Dual-Path Network for Face Super-Resolution [70.61549422952193]
  計算コストの制限による顔超解像(FSR)は未解決の問題である。 既存のアプローチでは、全ての顔のピクセルを等しく扱い、計算資源を最適以下に割り当てる。 本稿では、低周波成分と高周波成分に顔の特徴を分解する周波数対応デュアルパスネットワークであるFADPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-17T02:33:42Z)
• LOGLO-FNO: Efficient Learning of Local and Global Features in Fourier Neural Operators [20.77877474840923]
  高周波情報は機械学習における重要な課題である。 ディープニューラルネットワークは、低周波成分の学習に対するいわゆるスペクトルバイアスを示す。 放射結合スペクトル誤差に基づく新しい周波数感受性損失項を提案する。
  論文  参考訳（メタデータ） (2025-04-05T19:35:04Z)
• Multi-frequency wavefield solutions for variable velocity models using meta-learning enhanced low-rank physics-informed neural network [3.069335774032178]
  物理インフォームドニューラルネットワーク(PINN)は、複雑な速度モデルにおける多周波波場をモデル化する上で大きな課題に直面している。 本稿では,低ランクパラメータ化とメタラーニング,周波数埋め込みを組み合わせた新しいフレームワークMeta-LRPINNを提案する。 数値実験により,Meta-LRPINNはベースライン法に比べて高速に収束し,精度が高いことがわかった。
  論文  参考訳（メタデータ） (2025-02-02T20:12:39Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• Accurate and Robust Deep Learning Framework for Solving Wave-Based Inverse Problems in the Super-Resolution Regime [1.933681537640272]
  本稿では,すべての長さスケールにわたる逆波散乱問題を包括的に解決するエンドツーエンドのディープラーニングフレームワークを提案する。 本フレームワークは,新たに導入された広帯域バタフライネットワークと,トレーニング中に動的にノイズを注入する簡単なトレーニング手順から構成される。
  論文  参考訳（メタデータ） (2021-06-02T13:30:28Z)

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。