論文の概要: Tensor Train Decomposition-based 3D Implicit Full Waveform Inversion with Multi-scale Structural Similarity

• arxiv url: http://arxiv.org/abs/2606.22867v1
• Date: Mon, 22 Jun 2026 05:24:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 04:03:07.963223
• Title: Tensor Train Decomposition-based 3D Implicit Full Waveform Inversion with Multi-scale Structural Similarity
• Title（参考訳）: テンソルトレイン分解に基づくマルチスケール構造類似性を持つ3次元インプリシトフルウェーブフォームインバージョン
• Authors: Liangsheng He, Chao Song, Tiansheng Chen, Tao Liu, Cai Liu,
• Abstract要約: 3次元フルウェーブフォームインバージョン(DFWI)は高分解能地下速度モデルを構築するための強力な手法である。 我々は,TT3DIFWI(TT-3DIFWI)の分解に基づく新しいテンソルトレインを提案する。 M-SSIMを用いたTT-3DIFWIは,初期モデルが貧弱な場合や低周波データを欠く場合であっても,正確かつ連続的な速度再構成を実現する。
• 参考スコア（独自算出の注目度）: 5.423784206536407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Three-dimensional full waveform inversion (3DFWI) is a powerful technique for reconstructing high-resolution subsurface velocity models. However, its application is often limited by high memory requirements, computational costs, and sensitivity to cycle skipping. To overcome these challenges, we propose a novel tensor train (TT) decomposition-based 3D implicit full waveform inversion framework (TT-3DIFWI) combined with a multi-scale structural similarity (M-SSIM) objective function. In this framework, the 3D velocity model is represented by TT decomposition as a product of a series of low-rank core tensors. Then, three axis-specific implicit neural network representations (INR) based on one-dimensional vector coordinates as input are constructed to predict these core tensors, rather than directly predicting the velocity model. This INR reparameterization method based on TT decomposition can significantly reduce the memory consumption of INR training while maintaining the accuracy and resolution of the 3D velocity model reconstruction. Meanwhile, the low-rank structure of TT decomposition also ensures the structural consistency of the reconstruction velocity, thereby improving the accuracy and continuity of the inversion result. Furthermore, the M-SSIM objective function can compare the multi-scale structural differences between predicted and observed data, and utilize the ultra-low frequency features to reduce cycle skipping. Numerical experiments on synthetic and challenging land datasets demonstrate that TT-3DIFWI with M-SSIM achieves accurate and continuous velocity reconstruction, even with poor initial models or missing low-frequency data.
• Abstract（参考訳）: 3次元フルウェーブフォームインバージョン(DFWI)は高分解能地下速度モデルを構築するための強力な手法である。 しかし、その応用は高いメモリ要件、計算コスト、サイクルスキップに対する感度によって制限されることが多い。 これらの課題を克服するために,新しいテンソルトレイン (TT) による3次元暗黙完全波形逆変換フレームワーク (TT-3DIFWI) とマルチスケール構造類似性 (M-SSIM) を組み合わせて提案する。 このフレームワークでは、3次元速度モデルがTT分解によって、一連の低ランクコアテンソルの積として表現される。 次に、入力としての1次元ベクトル座標に基づく3つの軸特異的暗黙ニューラルネットワーク表現(INR)を構築し、速度モデルを直接予測するのではなく、これらのコアテンソルを予測する。 TT分解に基づくINR再パラメータ化法は、3次元速度モデル再構成の精度と解像度を維持しつつ、INRトレーニングのメモリ消費を著しく低減することができる。 一方、TT分解の低ランク構造は、再構成速度の構造的整合性も確保し、逆解析結果の精度と連続性を向上させる。 さらに、M-SSIM目的関数は、予測データと観測データのマルチスケール構造差を比較し、超低周波特性を用いてサイクルスキップを低減することができる。 合成および挑戦的な陸域データセットに関する数値実験により,TT-3DIFWIとM-SSIMは,初期モデルが貧弱であったり低周波データが欠如している場合でも,正確な連続的な速度再構成を実現することが示された。

関連論文リスト

• Pixel-Level Residual Diffusion Transformer: Scalable 3D CT Volume Generation [20.986333949052007]
  Pixel-Level Residual Diffusion Transformer (PRDiT)は、高品質な3D医療量をボクセルレベルで直接合成する固有の生成フレームワークである。 PRDiTはHA-GAN、3D LDM、WDM-3Dといった最先端モデルより一貫して優れており、3D FID、MDD、ワッサーシュタイン距離スコアは大幅に低い。
  論文  参考訳（メタデータ） (2026-06-18T11:35:11Z)
• A Muon-Accelerated Algorithm for Low Separation Rank Tensor Generalized Linear Models [9.341971485553428]
  低分離ランク(LSR)分解は、低ランク多線形係数テンソルテンソルを付与することにより、モデルの複雑さを低減する。 LSRベースのテンソルGLM (LSR-TGLMs) を推定するための代表的なアプローチは、ブロック座標の降下を導入し、繰り返しQRベースの投影によって因子の直感性を強制する低分離ランク回帰 (LSRTR) アルゴリズムである。 本稿では,LSRTR フレームワークに Muon の更新を組み込んだ LSRTR-M を提案する。
  論文  参考訳（メタデータ） (2026-04-06T14:47:46Z)
• 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)
• tttLRM: Test-Time Training for Long Context and Autoregressive 3D Reconstruction [47.43504457409347]
  tttLRMは、テストタイムトレーニング層を利用する新しい大型3D再構成モデルである。 本フレームワークは,TTT層の高速な重み付けに複数の画像観測を効率よく圧縮する。 オンライン学習モデルの変種は,ストリーミング観測による進行的な3次元再構成と改善を支援する。
  論文  参考訳（メタデータ） (2026-02-23T18:59:45Z)
• ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
  本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
  論文  参考訳（メタデータ） (2026-02-10T20:44:43Z)
• A Neural Network Architecture Based on Attention Gate Mechanism for 3D Magnetotelluric Forward Modeling [1.5862483908050367]
  本稿では,3次元MTフォワードモデリングのためのアテンションゲーティング機構を統合したMTAGU-Netという新しいニューラルネットワークアーキテクチャを提案する。 デュアルパスアテンションゲーティングモジュールは、前方応答データ画像に基づいて設計され、エンコーダとデコーダの間のスキップ接続に埋め込まれる。 3次元ガウスランダム場(GRF)を利用した合成モデル生成法は,実世界の地質学的シナリオの電気的構造を正確に再現する。
  論文  参考訳（メタデータ） (2025-03-14T13:48:25Z)
• A Staged Deep Learning Approach to Spatial Refinement in 3D Temporal Atmospheric Transport [0.0]
  本稿では,2段テンポラル3次元超解像(DST3D-UNet-SR)モデルを提案する。 このモジュールは、低分解能時間データから複雑な地形における羽根の過渡的な進化を予測する時間モジュール(TM)と、その空間分解モジュール(SRM)の2つの逐次モジュールから構成され、その結果、予測の空間分解能が向上する。
  論文  参考訳（メタデータ） (2024-12-14T19:43:48Z)
• 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
  既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。 本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。 提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-11-01T12:50:38Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)

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。