論文の概要: Joint Velocity Slope Diffusion Prior for Structurally Constrained Velocity Model Building

• arxiv url: http://arxiv.org/abs/2607.04982v1
• Date: Mon, 06 Jul 2026 12:18:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.145089
• Title: Joint Velocity Slope Diffusion Prior for Structurally Constrained Velocity Model Building
• Title（参考訳）: 構造制約付速度モデル構築に先立つ連成速度勾配拡散
• Abstract要約: 疎雑なウェルログ情報から速度モデル再構成を行うための拡散誘導フレームワークを提案する。 提案手法は、平面波PDE正則化、構造プレコンディションインバージョン、測定誘導拡散後サンプリングを組み合わせたものである。 ボルブ合成モデルとバイキンググラベン場データセットの数値実験により,提案手法は構造的連続性,横方向の整合性,地質的リアリズムを改善することを示した。
• 参考スコア（独自算出の注目度）: 2.918495824907998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution velocity models are crucial for reservoir characterization and subsurface delineation. However, the band limited nature of our surface recorded data limits resolution. Utilizing well measurements to enhance the resolution of our subsurface models is an important objective. To this end, we present a diffusion-guided framework for structurally preconditioned velocity-model reconstruction from sparse well-log information. The proposed approach combines plane-wave PDE regularization, structurally preconditioned inversion, and measurement-guided diffusion posterior sampling within a unified formulation. Local structural slopes estimated through plane-wave destruction are used both to propagate well information along geological dip directions and to guide the diffusion sampling process through a joint velocity--slope generative prior. Numerical experiments on the Volve synthetic model and the Viking Graben field dataset demonstrate that the proposed framework improves structural continuity, lateral consistency, and geological realism compared with conventional structurally preconditioned inversion approaches while maintaining computationally practical inference through DDIM sampling.
• Abstract（参考訳）: 高分解能速度モデルは貯水池のキャラクタリゼーションと地下のデライン化に不可欠である。 しかし,その帯域制限特性は,データ制限の解像度を記録できた。 我々の地下モデルの解像度を高めるために十分な測定値を活用することが重要な目的である。 この目的のために,疎雑なウェルログ情報から構造的にプレコンディショニングされたベロシティモデル再構築のための拡散誘導フレームワークを提案する。 提案手法は、平面波PDE正則化、構造的プレコンディションインバージョン、統一定式化における測定誘導拡散後サンプリングを組み合わせたものである。 平面波の破壊によって推定される局所的な構造傾斜は、地質学的ディップ方向に沿って井戸情報を伝播し、連成速度-斜面発生前の拡散サンプリング過程を導出するためにも用いられる。 ボルブ合成モデルとバイキング・グラベンフィールドデータセットの数値実験により,提案手法は従来の構造条件付き逆転法と比較して構造連続性,横方向整合性,地質現実性を改善するとともに,DDIMサンプリングによる計算的推論も維持することを示した。

関連論文リスト

• Physical-State-Guided Diffusion Sampling for Full-Waveform Inversion [3.497341516063219]
  物理状態誘導拡散サンプリング(PSG)を提案する。 PSGはガウス橋を経由する前の拡散に永続的な物理的速度を結合する。 4つのOpenFWIファミリーにおいて、PSGの端末は古典的および拡散的ベースラインよりも優れた推定値を示した。
  論文  参考訳（メタデータ） (2026-09-11T14:25:42Z)
• Trajectory-Aware Flow Matching for Topology Optimisation [2.1228310295568136]
  トポロジー最適化(TO)は、繰り返し有限要素解析と感度に基づく材料更新を必要とすることが多い。 既存のモデルは、構造的実現可能性と物理的整合性を維持するために、敵の訓練、長い逆拡散サンプリング、または外部ガイダンスに依存することがある。 本研究では,条件付きトポロジ生成のためのフローマッチングに基づくトポロジ最適化フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-16T07:21:02Z)
• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• Decoupled Latent Optimization of Diffusion Models for Full Waveform Inversion [4.293965179144764]
  フルウェーブフォーム・インバージョン(FWI)は、高度に不規則な2次PDE速度最適化を解くことで、記録から地下の速度を回復する。 最近の拡散優先法は、標準定式化と事前整合性の間の脆弱なトレードオフを犠牲にして現実性を改善する。 そこで本稿では,潜時費用目標を補助的物理変数と潜時変数に対する潜時費用目標に緩和するDe Latent Optimization (DLO)を提案する。 OpenFWIベンチマークでは、DLOは古典的正規化器や既存の拡散ベースのメソッドよりもクリーンでノイズがあり、トラスが不足している。
  論文  参考訳（メタデータ） (2026-06-12T05:55:10Z)
• Seismic full-waveform inversion based on a physics-driven generative adversarial network [4.185971789614353]
  フルウェーブフォームインバージョン(FWI)は、予測された地震データと観測された地震データとのミスフィットを反復的に最小化することにより、地下速度モデルを再構築する。 FWIは、データがスパースまたはノイズによって汚染されたときに不安定な結果を生成する。 本稿では,物理駆動型逆方向ネットワークに基づくフルウェーブフォームインバージョン法を提案する。
  論文  参考訳（メタデータ） (2026-03-16T06:24:17Z)
• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• 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)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• 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)
• Data-driven Full-waveform Inversion Surrogate using Conditional Generative Adversarial Networks [0.0]
  フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。 本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-30T21:41:24Z)

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。