論文の概要: Structure-aware Bayesian full waveform inversion via diffusion-regularized Stein variational gradient descent

• arxiv url: http://arxiv.org/abs/2610.19187v1
• Date: Tue, 13 Oct 2026 20:52:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.807518
• Title: Structure-aware Bayesian full waveform inversion via diffusion-regularized Stein variational gradient descent
• Title（参考訳）: 拡散正則化スタイン変分勾配勾配による構造対応ベイズ全波形インバージョン
• Abstract要約: ASVGD-FWIフレームワーク内の暗黙の正規化機構として学習拡散モデルを導入する。 提案手法は,FWIからのデータ一貫性,ASVGDからの後部多様性,拡散前の構造的リアリズムを組み合わせたものである。
• 参考スコア（独自算出の注目度）: 3.67731822540073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Full waveform inversion (FWI) is a powerful tool for high-resolution subsurface model reconstruction, but it remains highly nonlinear and ill-posed, especially when the initial model is inaccurate or the acquired data are noisy and incomplete. Annealed Stein variational gradient descent (ASVGD) provides a particle-based Bayesian framework for FWI by approximating the posterior distribution with an ensemble of velocity models, thereby enabling uncertainty quantification beyond a single deterministic solution. However, conventional ASVGD-FWI commonly relies on simple handcrafted priors, such as Gaussian or smoothing assumptions, which are often insufficient to represent complex geological structures. To address this limitation, we introduce a learned diffusion model (DM) as an implicit regularization mechanism within the ASVGD-FWI framework. Instead of explicitly evaluating the diffusion prior density, the trained diffusion model acts as a learned geological projection operator that guides updated particles toward the distribution of plausible velocity models. In this way, the proposed method combines data consistency from FWI, posterior diversity from ASVGD, and structural realism from the diffusion prior. Numerical experiments demonstrate that the diffusion-regularized ASVGD-FWI produces more geologically consistent mean models, suppresses nonphysical artifacts, and yields uncertainty estimates that are more concentrated around structurally complex and poorly constrained regions. These results suggest that learned diffusion priors can effectively enhance Bayesian FWI by improving both inversion stability and the interpretability of posterior uncertainty.
• Abstract（参考訳）: フルウェーブフォーム・インバージョン(FWI)は高分解能地下モデル再構成のための強力なツールであるが、特に初期モデルが不正確な場合や取得したデータがノイズで不完全である場合、非常に非線形で不完全である。 Annealed Stein variational gradient descent (ASVGD) は、後部分布を速度モデルのアンサンブルで近似することにより、単一決定論的解を超える不確実な定量化を可能にすることにより、FWIのための粒子ベースのベイズフレームワークを提供する。 しかし、従来の ASVGD-FWI は、しばしば複雑な地質構造を表現するのに不十分なガウス的や滑らかな仮定のような単純な手作りの前提に依存している。 この制限に対処するために,ASVGD-FWIフレームワーク内の暗黙の正規化機構として,学習拡散モデル(DM)を導入する。 トレーニングされた拡散モデルは、拡散前の密度を明示的に評価する代わりに、学習された地質学的射影作用素として機能し、更新された粒子を可塑性速度モデルの分布へ導く。 このようにして、提案手法は、FWIからのデータの一貫性、ASVGDからの後方多様性、拡散前の拡散による構造的リアリズムを組み合わせたものである。 数値実験により、拡散規則化されたASVGD-FWIは、より地質学的に一貫した平均モデルを生成し、非物理的アーティファクトを抑圧し、構造的に複雑で制約の弱い領域により集中した不確実性推定をもたらすことが示された。 これらの結果から, 学習拡散先行は, 逆相安定性と後続不確かさの解釈可能性の両方を改善して, ベイズFWIを効果的に向上させることができることが示唆された。

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)
• 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)
• Diffusion Graph Posterior Sampling for Nonlinear Inverse Problems with Application to Electrical Impedance Tomography [4.444502855364884]
  本稿では,グラフ構造化サンプリング(DPS)データを拡張した新しいフレームワークを提案する。 我々は2次元三角形メッシュ上で無条件のスコアベース拡散モデルを構築した。 また、明示的な正規化項を含む正規化変項Sも導入する。
  論文  参考訳（メタデータ） (2026-05-19T09:57:10Z)
• Breaking the Bottlenecks: Scalable Diffusion Models for 3D Molecular Generation [0.0]
  拡散モデルは分子設計のための強力な生成モデルとして登場した。 彼らの使用は、長いサンプリング軌道、逆過程のばらつき、そして力学の認知における構造的認識の制限によって制限されている。 直接分極拡散モデル(英語版)は、逆MCMC更新を決定論的分極ステップに置き換えることでこれらの非効率性を緩和する。
  論文  参考訳（メタデータ） (2026-01-13T20:09:44Z)
• Score Distillation of Flow Matching Models [67.86066177182046]
  我々は、Score Identity Distillation (SiD) を事前訓練されたテキスト対画像フローマッチングモデルに拡張する。 SiDは、データフリーとデータアシストの両方の設定で、これらのモデルですぐに使える。 これは、スコア蒸留がテキストと画像のフローマッチングモデルに広く適用されるという最初の体系的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-09-29T17:45:48Z)
• Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
  探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。 本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。 本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2025-06-18T11:59:15Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Inflationary Flows: Calibrated Bayesian Inference with Diffusion-Based Models [0.0]
  本稿では,拡散モデルを用いてベイズ推定を行う方法を示す。 本稿では,新しいノイズスケジュールを用いて,標準的なDBMトレーニングを通じてそのようなマップを学習する方法を示す。 その結果は、低次元の潜在空間上で一意に定義される非常に表現性の高い生成モデルのクラスである。
  論文  参考訳（メタデータ） (2024-07-11T19:58:19Z)

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。