論文の概要: Depth-Aware Implicit Neural Representation Priors for 3D Gravity Inversion
- arxiv url: http://arxiv.org/abs/2608.08959v1
- Date: Sun, 09 Aug 2026 23:34:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.005637
- Title: Depth-Aware Implicit Neural Representation Priors for 3D Gravity Inversion
- Title（参考訳）: 3次元重力インバージョンのための奥行き認識型インプットニューラル表現
- Abstract要約: 本稿では3次元重力インバージョンのための教師なし深度認識型暗黙的ニューラル表現を提案する。
実験の結果,提案手法はRMSE,PSNR,SSIMの総合性能が向上することがわかった。
地上構造密度モデルが得られなかったフィールド実験では、この手法はコンパクトで分離され、垂直にコヒーレントな異常を発生させた。
- 参考スコア（独自算出の注目度）: 19.44527990597079
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gravimetry images subsurface density contrasts associated with geological structures, geothermal systems, and intrusive bodies. Recovering a three-dimensional density model from gravity observations is highly ill-posed because of its non-uniqueness, limited data coverage, and the attenuation of the gravity field with depth. Classical inversion methods rely on explicit regularization and parameter tuning, whereas supervised deep-learning approaches require representative gravity--density pairs that are rarely available. This paper proposes an unsupervised depth-aware implicit neural representation for 3D gravity inversion. The density volume is represented by multiple coordinate-based neural networks assigned to overlapping depth slabs and optimized directly from the observed gravity measurements through the sensitivity matrix. Slab-specific Fourier features, physics-based depth gains, and scheduled regularization provide structural priors without requiring labeled density models. Experiments on four synthetic scenarios show that the proposed method provides better overall performance in terms of RMSE, PSNR, and SSIM than the evaluated conventional and neural baselines. It also recovers more compact and spatially coherent density bodies, improves the separation of nearby anomalies, preserves internal structures, and reconstructs their vertical extent better. These results indicate that the proposed depth-aware formulation helps to mitigate the depth ambiguity inherent in gravity inversion. In the field experiment, where no ground-truth density model was available, the method produced compact, separated, and vertically coherent anomalies consistent with the observed gravity pattern.
- Abstract（参考訳）: 重力計画像 地質構造、地熱系、侵入体に関連する地下密度のコントラスト。
重力観測から3次元密度モデルを復元することは、その非特異性、データカバレッジの制限、重力場が深度で減衰するため、非常に不均一である。
古典的な反転法は明示的な正規化とパラメータチューニングに頼っているが、教師付きディープラーニングアプローチでは、ほとんど利用できない代表的な重力-密度対を必要とする。
本稿では3次元重力インバージョンのための教師なし深度認識型暗黙的ニューラル表現を提案する。
密度体積は、重なり合う深さスラブに割り当てられた複数の座標ベースのニューラルネットワークで表現され、感度行列を介して観測された重力測定から直接最適化される。
スラブ固有のフーリエ特徴、物理に基づく深度ゲイン、スケジュールされた規則化は、ラベル付き密度モデルを必要としない構造的事前情報を提供する。
提案手法は, RMSE, PSNR, SSIMの総合的な性能を, 従来とニューラルベースラインに比較して向上することを示した。
また、よりコンパクトで空間的に整合した密度体を復元し、近くの異常の分離を改善し、内部構造を保存し、垂直度をよりよく再構築する。
これらの結果から,提案した深度を考慮した定式化は,重力インバージョンに固有の深度あいまいさを軽減するのに役立つことが示唆された。
地上構造密度モデルが得られなかったフィールド実験では、観測された重力パターンと一致するコンパクトで分離された垂直コヒーレントな異常を発生させた。
関連論文リスト
- Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
拡散モデルは、顕著な品質で高次元データを生成する。
彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。
我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
論文 参考訳（メタデータ） (2026-05-16T16:51:10Z) - Topo-GS: Continuous Volumetric Embedding of High-Dimensional Data via Topological Gaussian Splatting [4.621191941382847]
Topo-GS は 3D Gaussian Splatting (3DGS) を再利用し、メッシュレスボリューム再構成プロセスとして多次元投影を行うフレームワークである。
Topo-GSは離散散乱プロットを連続体積表現に変換することに成功した。
論文 参考訳（メタデータ） (2026-05-16T14:21:08Z) - DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。
我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。
この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
論文 参考訳（メタデータ） (2026-04-08T07:01:24Z) - In Depth We Trust: Reliable Monocular Depth Supervision for Gaussian Splatting [22.674046124865196]
幾何的監督にスケールあいまいでノイズの多い奥行きを取り入れたトレーニングフレームワークを導入する。
多様なデータセットに対する実験では、幾何精度が一貫した改善が見られた。
論文 参考訳（メタデータ） (2026-04-07T11:15:15Z) - MDE-VIO: Enhancing Visual-Inertial Odometry Using Learned Depth Priors [8.2208199207543]
本稿では,アフィン不変深度一貫性と対方向順序制約を強制する新しいフレームワークを提案する。
このアプローチは、計量スケールを頑健に回復しながら、エッジデバイスの計算限界に厳密に固執する。
論文 参考訳（メタデータ） (2026-02-11T19:53:06Z) - 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) - Three-dimensional inversion of gravity data using implicit neural representations [2.7372527234669115]
重力データのインバージョンは、多様な応用に関連する地下密度の変動を研究する重要な方法である。
ここでは,三次元重力インバージョンを連続場として表す科学的機械学習手法を提案する。
論文 参考訳（メタデータ） (2025-10-17T03:55:08Z) - Uncertainty-guided Optimal Transport in Depth Supervised Sparse-View 3D Gaussian [49.21866794516328]
3次元ガウシアンスプラッティングは、リアルタイムな新規ビュー合成において顕著な性能を示した。
これまでのアプローチでは、3Dガウスの訓練に奥行き監視を取り入れ、オーバーフィッティングを軽減してきた。
本研究では,3次元ガウスの深度分布を可視化する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-30T03:18:30Z) - 3D Density-Gradient based Edge Detection on Neural Radiance Fields
(NeRFs) for Geometric Reconstruction [0.0]
密度勾配とエッジ検出フィルタを用いてニューラルレイディアンス場(NeRF)から幾何学的3次元再構成を生成する方法を示す。
提案手法は, 物体表面の幾何的精度が高く, 被写体完全性に優れる幾何学的3次元再構成を実現する能力を示す。
論文 参考訳（メタデータ） (2023-09-26T09:56:27Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳（メタデータ） (2022-07-06T21:40:59Z)
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。