論文の概要: Depth-progressive 3D seismic velocity model building via 2D generative diffusion models

• arxiv url: http://arxiv.org/abs/2610.14812v1
• Date: Sat, 10 Oct 2026 11:09:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.10718
• Title: Depth-progressive 3D seismic velocity model building via 2D generative diffusion models
• Title（参考訳）: 2次元生成拡散モデルによる深さ・進行3次元地震波速度モデルの構築
• Abstract要約: 3次元3次元速度モデル構築(VMB)は、従来のアプローチやネイティブな3次元ニューラルネットワークで計算的に困難である。 本稿では,2次元生成拡散モデルを用いて3次元VMBを実現するディープ・アズ・チャンネルの定式化を行うディープ・プログレッシブ・フレームワークを提案する。 提案手法は,VMBの精度を向上しつつ,パラメータ数,トレーニングコスト,推論コストを大幅に削減することを示す。
• 参考スコア（独自算出の注目度）: 2.816392009888047
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Three-dimensional (3D) velocity model building (VMB) remains computationally challenging with conventional approaches and native 3D neural networks, largely due to the prohibitive memory and training cost of full 3D formulations. Therefore, we introduce a depth-progressive framework that achieves 3D VMB using 2D generative diffusion models through a depth-as-channel formulation, in which the depth dimension of each 3D velocity patch is mapped to the channel dimension of a 2D U-Net. This allows the model to synthesize overlapping depth patches sequentially from shallow to deep while conditioning the prediction of the deeper patch on the shallower one, as well as on any available geophysical constraints, including well logs and structural attributes. During training, paired shallow-deep patch pairs with randomized overlaps are used to teach the network how deeper velocity structures relate to shallower information, and a classifier-free guidance strategy enables the model to handle missing constraints gracefully. At inference, starting from a shallow velocity prior, the model recursively generates deeper patches in a top-down manner, and a depth-attenuated Gaussian blending scheme merges overlapping predictions into spatially coherent 3D volumes while accounting for the progressive accumulation of uncertainty at greater depths. Numerical experiments on both in-distribution benchmark models, including Overthrust, SEAM Arid, and SEG/EAGE, and the out-of-distribution Marmousi model demonstrate that the method effectively propagates shallow velocity priors downward and produces high-quality 3D velocity volumes across a range of geological settings and conditioning scenarios. Compared to a 3D benchmark of equivalent architecture, the proposed method significantly reduces parameter count, training cost, and inference cost, while maintaining superior VMB accuracy.
• Abstract（参考訳）: 3次元3次元速度モデル構築(VMB)は、従来のアプローチやネイティブな3次元ニューラルネットワークで計算的に困難である。 そこで我々は,各3次元速度パッチの深さ次元を2次元U-Netのチャネル次元にマッピングするディープ・アズ・チャンネルの定式化により,2次元生成拡散モデルを用いて3次元VMBを実現するディープ・プログレッシブ・フレームワークを提案する。 これにより、モデルでは、より浅い部分の深部パッチの予測を条件にしながら、浅い部分から深い部分への重なり合う深さパッチを連続的に合成することができる。 トレーニング中、より深い速度構造が浅い情報とどのように関連しているかをネットワークに教えるために、ランダムに重複したペアの浅層深度パッチペアが使用される。 推定時, 浅い速度から, モデルがトップダウン方式でより深いパッチを再帰的に生成し, 深度減衰したガウスブレンディングスキームは, 重なり合う予測を空間的に整合した3次元ボリュームにマージし, より深い深さでの不確実性の漸進的な蓄積を考慮に入れた。 Overthrust, SEAM Arid, SEG/EAGE, およびout-of-distribution Marmousiモデルを含む分布内ベンチマークモデルに関する数値実験により, この手法が下向きの浅い速度先行を効果的に伝播し, 地質学的設定や条件設定のシナリオで高品質な3次元速度量を生成することを示した。 等価アーキテクチャの3Dベンチマークと比較すると,提案手法はVMBの精度を向上しつつ,パラメータ数,トレーニングコスト,推論コストを大幅に削減する。

関連論文リスト

• MoE3D: A Mixture-of-Experts Module for 3D Reconstruction [25.58837319169964]
  本稿では,複数のスムーズな深度予測を組み合わせることで,深度境界の不確かさに対処する実験式を提案する。 我々のアプローチは計算効率が高く、訓練データの小さなサブセットを微調整しても、一般化可能な改善を提供する。
  論文  参考訳（メタデータ） (2026-01-08T18:33:52Z)
• GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
  2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。 提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。 GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-10-16T03:38:26Z)
• P3D: Scalable Neural Surrogates for High-Resolution 3D Physics Simulations with Global Context [22.305840640878433]
  本稿では,3次元物理シミュレーションを目的としたハイブリッドCNN-Transformerバックボーンアーキテクチャを提案する。 提案するネットワークはシミュレーション領域の小さなパッチで事前訓練が可能であり,グローバルな解を得るために融合することができる。 空間分解能を最大5123ドルの高分解能等方性乱流にスケールする方法を実証する。
  論文  参考訳（メタデータ） (2025-09-12T12:26:06Z)
• Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
  本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。 このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。 提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
  論文  参考訳（メタデータ） (2025-08-06T16:16:58Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• OPA-3D: Occlusion-Aware Pixel-Wise Aggregation for Monocular 3D Object Detection [51.153003057515754]
  OPA-3Dは、Occlusion-Aware Pixel-Wise Aggregationネットワークである。 密集した風景深度と、奥行きのある箱残量と物の境界箱を共同で推定する。 メインカーのカテゴリーでは最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-11-02T14:19:13Z)
• Exploring Deep 3D Spatial Encodings for Large-Scale 3D Scene Understanding [19.134536179555102]
  生の3次元点雲の空間的特徴を非方向性グラフモデルに符号化することで,CNNに基づくアプローチの限界を克服する代替手法を提案する。 提案手法は、訓練時間とモデル安定性を改善して、最先端の精度で達成し、さらなる研究の可能性を示す。
  論文  参考訳（メタデータ） (2020-11-29T12:56:19Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)

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。