論文の概要: Contrastive Learning for Seismic Horizon Tracking with Domain-Specific Priors

• arxiv url: http://arxiv.org/abs/2606.16271v1
• Date: Mon, 15 Jun 2026 06:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.115652
• Title: Contrastive Learning for Seismic Horizon Tracking with Domain-Specific Priors
• Title（参考訳）: ドメイン特有な先行手法による地震地平線追跡のコントラスト学習
• Authors: Alexandre Thouvenot, Lionel Boillot, Vincent Gripon,
• Abstract要約: 本稿では,信号由来の局所地平線対応とテクスチャに基づく深層学習モデルの自己教師型融合を提案する。 ネットワークは、局所的な信号継続性を維持しながら、不連続性を超えた水平伝播を可能にするボクセルワイズ埋め込みを学習する。
• 参考スコア（独自算出の注目度）: 45.20665924864221
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised 3D seismic horizon tracking faces a key limitation: signal-based propagators provide accurate trace-level alignment but often fail near faults, whereas texture-driven deep models are more robust to discontinuities, typically at the cost of labeled data requirements and reduced trace-level precision. We propose a self-supervised fusion of both paradigms in which signal-derived local horizon correspondences act as domain-specific priors to train a texture-based deep learning model. Specifically, we estimate reliable trace-to-trace flows from reflector slopes and use them to form positive pairs in a contrastive objective, while restricting training to high-confidence neighborhoods, optionally augmented with a fault mask. The objective is not to infer ambiguous correspondences close to discontinuities, but to preserve horizon identity across them. As a result, the network learns voxel-wise embeddings that preserve local signal continuity while enabling horizon propagation beyond discontinuities through similarity search. Experiments on the public F3 dataset and a faulted synthetic dataset achieve lower mean absolute error (MAE) than unsupervised baselines and competitive performance against a semi-supervised method using a single labeled slice.
• Abstract（参考訳）: 信号ベースのプロパゲータは正確なトレースレベルアライメントを提供するが、しばしば断層付近で失敗するが、テクスチャ駆動のディープモデルは不連続性に対してより堅牢である。 本稿では,テクスチャに基づく深層学習モデルを訓練するために,信号由来の局所的な地平線対応がドメイン固有の先行として機能する,両パラダイムの自己教師型融合を提案する。 具体的には,反射板斜面からのトレーサ・トレーサ・トレーサ・フローを推定し,それを用いて正の対を対照的な目的に形成し,高信頼地区にトレーニングを制限し,任意に断層マスクを付加する。 目的は不連続に近い不明瞭な対応を推測することではなく、それらの間の水平方向の同一性を維持することである。 その結果、ネットワークは局所的な信号継続性を保ちながら、類似性探索により不連続性を超えた水平伝播を可能にするボクセルワイズ埋め込みを学習する。 公的なF3データセットと障害のある合成データセットの実験は、教師なしベースラインよりも低い平均絶対誤差(MAE)を達成し、単一のラベル付きスライスを用いた半教師付き手法に対する競合性能を達成した。

関連論文リスト

• Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
  勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。 本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2026-06-03T13:04:23Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Binary Flow Matching: Prediction-Loss Space Alignment for Robust Learning [23.616336786063552]
  フローマッチングは、生成モデリングの強力なフレームワークとして登場した。 速度に基づく目的と結合した場合に発生する潜在構造ミスマッチを同定する。 信号空間に対する目的の再調整が特異重み付けを排除していることを示す。
  論文  参考訳（メタデータ） (2026-02-11T02:02:30Z)
• Imitation from Observations with Trajectory-Level Generative Embeddings [18.63253047959276]
  我々は、専門家による実証が不十分で、利用可能なオフラインの準最適データが専門家の行動からかけ離れている観察(LfO)からオフラインの模倣学習を考える。 オフライン軌道データに基づいて訓練された時間拡散モデルの潜時空間におけるエキスパート状態密度を推定することにより、密集した滑らかな代理報酬を構成するオフラインLfOのための軌道レベルの生成的埋め込みであるTGEを提案する。
  論文  参考訳（メタデータ） (2026-01-01T19:38:37Z)
• Unsupervised Domain Adaptation for 3D LiDAR Semantic Segmentation Using Contrastive Learning and Multi-Model Pseudo Labeling [0.7373617024876725]
  セグメントレベルでの教師なしのコントラスト学習は、バックボーンネットワークを事前訓練するために使用される。 多様な最先端アーキテクチャのアンサンブルを利用して、マルチモデル擬似ラベル戦略を導入する。 Semantic KITTIからラベルのないターゲットデータセットに適応する実験は、セグメンテーション精度を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2025-07-24T08:21:43Z)
• Digging Into Uncertainty-based Pseudo-label for Robust Stereo Matching [39.959000340261625]
  本稿では,ロバストなステレオマッチングのための不確実性推定法を提案する。 事前学習されたモデルを新しい領域に適応させるために,不確実性に基づく擬似ラベルを提案する。 本手法は,ロバスト・ビジョン・チャレンジ2020のステレオタスクにおいて,強いクロスドメイン,適応,共同一般化を示す。
  論文  参考訳（メタデータ） (2023-07-31T09:11:31Z)
• Reliability-Adaptive Consistency Regularization for Weakly-Supervised Point Cloud Segmentation [80.07161039753043]
  極端に限られたラベルを持つ弱教師付きポイントクラウドセグメンテーションは、高額な注釈付き3Dポイントの収集コストを軽減するのが望ましい。 本稿では、弱教師付き学習において一般的に用いられる一貫性の正則化を、複数のデータ固有の拡張を伴うポイントクラウドに適用することを検討する。 疑似ラベルの信頼性を評価するために,予測信頼性とモデル不確実性を両立させる新しい信頼性適応整合ネットワーク(RAC-Net)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T10:41:57Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)

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。