論文の概要: Latent Variable-Mediated Cross-Learning for Few-Shot Acoustic Impedance Imaging

• arxiv url: http://arxiv.org/abs/2607.20989v1
• Date: Thu, 23 Jul 2026 07:13:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.307305
• Title: Latent Variable-Mediated Cross-Learning for Few-Shot Acoustic Impedance Imaging
• Title（参考訳）: Few-Shot音響インピーダンスイメージングのための潜時変化型クロスラーニング
• Abstract要約: 音響インピーダンスイメージングは、地下分析における根本的な問題であるが深刻な問題である。 本稿では、正規化デコンボリューションと半教師ありクロスラーニングを統合した新しいフレームワークRD-SCLを提案する。 RD-SCLは、最先端の教師付きおよび半教師付き手法よりも一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 8.001554355893816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acoustic impedance imaging is a fundamental yet severely ill-posed problem in subsurface analysis: the seismic wavelet is unknown, observations are band-limited, and labeled well-log samples are extremely scarce (typically <1% of all traces). Existing semi-supervised deep learning methods mitigate few-shot problem by incorporating forward modeling, yet they either rely on inaccurate prior wavelet assumptions or introduce auxiliary networks, leading to unstable optimization and degraded performance. We propose RD-SCL, a novel framework that integrates regularized deconvolution with semi-supervised cross-learning. At its core lies a differentiable, closed-form first-order Tikhonov deconvolution operator that dynamically estimates the latent wavelet in the frequency domain during training, providing stable physics-guided feedback without explicit auxiliary networks and fixed wavelet priors. Building on this operator, we design a symmetric cross-learning that enforces consistency between predictions on labeled and unlabeled data, thereby effectively exploiting abundant unlabeled traces. Extensive experiments on the SEAM and Marmousi 2 benchmarks demonstrate that RD-SCL consistently outperforms state-of-the-art supervised and semi-supervised methods, achieving substantial gains with lower computational cost. With only 56.5k learnable parameters and competitive runtime, RD-SCL offers a practical, physically consistent, and efficient solution for acoustic impedance imaging.
• Abstract（参考訳）: 音響インピーダンスイメージングは、地下分析の根本的な問題であり、地震のウェーブレットは未知であり、観測は帯域制限されており、ラベル付きウェルログのサンプルは極めて少ない(典型的には全ての痕跡の1%)。 既存の半教師付き深層学習手法は、フォワードモデリングを取り入れた数ショット問題を緩和するが、それらは不正確なウェーブレットの仮定や補助的なネットワークの導入に依存し、不安定な最適化と性能の低下につながる。 本稿では、正規化デコンボリューションと半教師ありクロスラーニングを統合した新しいフレームワークRD-SCLを提案する。 コアには、トレーニング中に周波数領域の潜伏ウェーブレットを動的に推定し、明示的な補助的ネットワークや固定ウェーブレット前の固定されたウェーブレットなしで安定した物理誘導フィードバックを提供する、微分可能で閉形式の1階のTikhonovデコンボリューション演算子がある。 この演算子に基づいて、ラベル付きデータとラベルなしデータとの整合性を強制する対称的クロスラーニングを設計し、豊富なラベルなしトレースを効果的に活用する。 SEAM と Marmousi 2 ベンチマークの大規模な実験により、RD-SCL は最先端の教師付きおよび半教師付き手法を一貫して上回り、計算コストを低く抑えることができた。 56.5kの学習可能なパラメータと競合ランタイムしか持たないRD-SCLは、音響インピーダンスイメージングのための実用的で、物理的に一貫性があり、効率的なソリューションを提供する。

関連論文リスト

• Survey of Novel Deep Learning Architectures for Denoising Gravitational-wave Signals [0.0]
  重力波デノジングのための5つのニューラルネットワークアーキテクチャの制御された最初の比較について述べる。 我々は、全天体物理学的に動機づけられた回転二乗ブラックホールパラメータ空間を同時に訓練する。 ネットワーク構造とコリケーションのスペクトル解剖との整合性は、ブルートフォースモデルスケーリングよりも優れる。
  論文  参考訳（メタデータ） (2026-09-07T18:00:10Z)
• ASSERT: Adaptive Stochastic Sampling for Robust Diffusion Models on Analog Compute-in-Memory Hardware [13.123394042691642]
  拡散モデルは、強い画像生成品質を実現するが、高い反復的 denoising コストをもたらす。 初期高雑音化段階は最終改良段階よりもかなり脆弱であることを示す。 本稿では,早期かつスムーズな復調性を利用したトレーニングサンプルであるASSERTを提案する。
  論文  参考訳（メタデータ） (2026-09-01T09:13:10Z)
• SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
  本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。 我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2026-06-27T01:32:16Z)
• 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)
• Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
  Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。 探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。 有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
  論文  参考訳（メタデータ） (2026-05-22T11:37:22Z)
• STAMBRIDGE: Spectral-Temporal Amplitude-aware Mid-Feature Bridge for EEG Visual Decoding [5.653339889503698]
  STAMBRIDGEは機能コンディショニングとクロスモーダルアライメントに取り組む汎用的な2段階フレームワークである。 このような頑健なニューラルネットワークの特徴を基盤として,モデルに依存しない中機能セマンティックブリッジ(MFSB)を導入する。 THINGS-EEGベンチマークの実験では、Top-1の34.50%、Top-5の65.95%の精度で200方向ゼロショットの検索性能が向上した。
  論文  参考訳（メタデータ） (2026-05-22T01:21:45Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• 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)
• DiffSOS: Acoustic Conditional Diffusion Model for Speed-of-Sound Reconstruction in Ultrasound Computed Tomography [2.6915545700357986]
  音響波形を直接SoSマップにマッピングする条件拡散モデルDiffSOSを提案する。 本フレームワークでは,物理波計測におけるデノナイジング過程の基盤として,特殊音響制御ネットを用いている。 我々は,我々のフレームワークの生成特性を利用して画素単位の不確実性を推定し,信頼性の尺度を提供する。
  論文  参考訳（メタデータ） (2026-02-27T23:51:16Z)
• Dual-granularity Sinkhorn Distillation for Enhanced Learning from Long-tailed Noisy Data [67.25796812343454]
  ディープラーニングのための実世界のデータセットは、クラス不均衡とラベルノイズの共起的な課題にしばしば悩まされる。 蒸留と相補的な知見の統合により二重強靭性を高める新しいフレームワークであるD-SINKを提案する。 ベンチマークデータセットの実験では、D-SINKはロバスト性を大幅に向上し、長い尾のノイズデータから学習する際の強い経験的性能を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-09T13:05:27Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• PreAdaptFWI: Pretrained-Based Adaptive Residual Learning for Full-Waveform Inversion Without Dataset Dependency [8.719356558714246]
  フルウェーブフォーム・インバージョン(Full-waveform Inversion、FWI)は、地震データを用いて地下媒体の物理パラメータを反転させる手法である。 異常な性質のため、FWIは局所的なミニマに閉じ込められやすい。 ニューラルネットワークとFWIを組み合わせることで、インバージョンプロセスの安定化が試みられている。
  論文  参考訳（メタデータ） (2025-02-17T15:30:17Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)

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。