論文の概要: Parameter-Efficient Adaptation of Pre-Trained Vision Foundation Models for Active and Passive Seismic Data Denoising

• arxiv url: http://arxiv.org/abs/2605.10953v1
• Date: Thu, 30 Apr 2026 15:28:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.74466
• Title: Parameter-Efficient Adaptation of Pre-Trained Vision Foundation Models for Active and Passive Seismic Data Denoising
• Title（参考訳）: アクティブ・パッシブ地震データ復調のための事前学習型ビジョン基礎モデルのパラメータ効率の良い適応
• Authors: Jiahua Zhao, Umair bin Waheed, Jing Sun, Yang Cui, Nikos Savva, Eric Verschuur,
• Abstract要約: 高解像度地下イメージングと連続した地球観測の需要は、活動的および受動的地震データを急速に増加させてきた。 この拡張により、特に信号の忠実性を維持する必要がある場合、複雑なノイズ抑制がますます困難になる。 スクラッチから事前訓練された地震基盤モデルは、膨大なドメイン固有データと相当な計算を必要とする。 本研究では、ファインチューニングによる物理タスクのための汎用ビジョン基礎モデル(VFM)を再利用する効率的な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）: 4.127374559128319
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The demand for high-resolution subsurface imaging and continuous Earth monitoring has driven rapid growth in active and passive seismic data from dense geophone deployments, distributed acoustic sensing (DAS) arrays, and large-scale 2D and 3D surveys. This expansion makes complex noise suppression increasingly challenging, especially when signal fidelity must be preserved. Conventional supervised deep learning methods are often task-specific, require large paired datasets, and can suffer from domain shift under new acquisition conditions. Foundation models offer a promising alternative, but pre-training seismic foundation models from scratch requires massive domain-specific data and substantial computation. We propose an efficient framework that repurposes general-purpose Vision Foundation Models (VFMs) for geophysical tasks through Parameter-Efficient Fine-Tuning. The architecture uses a pre-trained VFM, a DINOv3 encoder, adapted with Low-Rank Adaptation (LoRA) to enable effective feature adaptation with few additional parameters. To improve robustness under unseen field conditions without ground truth, we introduce a kurtosis-guided unsupervised test-time adaptation module that updates only LoRA parameters during inference. This module self-calibrates the model to site-specific noise by identifying information-rich regions via kurtosis and performing self-training without labeled data. Experiments on public exploration seismic images and DAS vertical seismic profiling data from the Utah FORGE site show that the framework matches or outperforms domain-specific models. Tests on unseen cross-site data from a land survey in China and the Groß Schönebeck geothermal site in Germany further demonstrate strong generalization and effective signal-noise separation. These results highlight the potential of adapting pre-trained VFMs to data-intensive problems in exploration seismology.
• Abstract（参考訳）: 高分解能地下イメージングと連続地球モニタリングの需要は、高密度なジオフォン展開、分散音響センシング(DAS)アレイ、大規模2Dおよび3Dサーベイによる活動的および受動的地震データを急速に増加させてきた。 この拡張により、特に信号の忠実性を維持する必要がある場合、複雑なノイズ抑制がますます困難になる。 従来の教師付きディープラーニング手法は、しばしばタスク固有であり、大きなペアのデータセットを必要とし、新しい取得条件下でのドメインシフトに悩まされる。 基礎モデルは有望な代替手段を提供するが、スクラッチから事前学習する地震基盤モデルは、膨大なドメイン固有のデータと相当な計算を必要とする。 本稿では,パラメータ効率の良いファインチューニングによる物理タスクのための汎用ビジョン基礎モデル(VFM)を再利用する効率的なフレームワークを提案する。 このアーキテクチャでは、トレーニング済みのVFM(DINOv3エンコーダ)をローランド適応(LoRA)で適応させ、いくつかのパラメータを追加して効果的な特徴適応を実現している。 そこで本研究では,暗黙のフィールド条件下での堅牢性を改善するために,推論中にLoRAパラメータのみを更新するKrtosis-Guided Unsupervised test-time Adaptingモジュールを導入する。 このモジュールは、クルトーシスを介して情報豊富な領域を識別し、ラベル付きデータなしで自己学習を行うことにより、サイト固有のノイズにモデルを自己校正する。 ユタ州フォージェ(英語版)の公共探査用地震画像とDASの垂直地震探査データによる実験は、このフレームワークがドメイン固有のモデルと一致しているか、より優れていることを示している。 ドイツのGroß Schönebeck地熱地域と中国の土地調査から得られた未確認のクロスサイトデータに関する試験は、さらに強力な一般化と効果的な信号-ノイズ分離を実証している。 これらの結果は,調査地震学におけるデータ集約問題に対する事前学習型VFMの適用の可能性を強調した。

関連論文リスト

• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
  GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。 GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。 GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
  論文  参考訳（メタデータ） (2025-11-19T17:45:02Z)
• Advancing ALS Applications with Large-Scale Pre-training: Dataset Development and Downstream Assessment [6.606615641354963]
  事前訓練と微調整のパラダイムは、衛星リモートセンシングの応用に革命をもたらした。 大規模なALSポイントクラウドデータセットを構築し、下流アプリケーションへの影響を評価する。 以上の結果から,事前学習したモデルは,ダウンストリームタスク全体において,スクラッチよりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-01-09T09:21:09Z)
• Seismic Fault SAM: Adapting SAM with Lightweight Modules and 2.5D Strategy for Fault Detection [11.868792440783054]
  本稿では,一般的な事前学習基盤モデルであるSAM(Segment Anything Model)を地震断層解釈に適用した地震断層SAMを提案する。 私たちの革新的なポイントは、軽量なAdapterモジュールの設計、トレーニング済みの重量のほとんどを凍結し、少数のパラメータのみを更新することです。 その結果,OISとODSの双方で既存の3次元モデルを上回る結果が得られた。
  論文  参考訳（メタデータ） (2024-07-19T08:38:48Z)
• On the Efficiency and Robustness of Vibration-based Foundation Models for IoT Sensing: A Case Study [7.0723456126359245]
  本稿では,(クラスの)IoTアプリケーションにおける実行時推論の堅牢性を改善するために,未ラベルのセンシングデータで事前学習した振動ベースファンデーションモデル(FM)の可能性を示す。 音響・地震探査を用いた車両分類を応用したケーススタディが提案されている。
  論文  参考訳（メタデータ） (2024-04-03T05:04:06Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• SatDM: Synthesizing Realistic Satellite Image with Semantic Layout Conditioning using Diffusion Models [0.0]
  Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。 本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。 提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
  論文  参考訳（メタデータ） (2023-09-28T19:39:13Z)
• Generalized Face Forgery Detection via Adaptive Learning for Pre-trained Vision Transformer [54.32283739486781]
  適応学習パラダイムの下で,textbfForgery-aware textbfAdaptive textbfVision textbfTransformer(FA-ViT)を提案する。 FA-ViTは、クロスデータセット評価において、Celeb-DFおよびDFDCデータセット上で93.83%と78.32%のAUCスコアを達成する。
  論文  参考訳（メタデータ） (2023-09-20T06:51:11Z)

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。