An unsupervised physics-constrained velocity inversion method based on spectral normalization adversarial learning

doi:10.1093/gji/ggag418

An unsupervised physics-constrained velocity inversion method based on spectral normalization adversarial learning

2026-01-01

0

PRE

AI

DOI：10.1093/gji/ggag418

原文链接

原文求助

摘要

En 中文

摘要全波形反演（FWI）在重建高分辨率地下结构方面具有巨大潜力，但这是一个非线性和不适定问题。采用基于梯度的优化算法以最小化观测数据与合成数据之间差异的传统基于物理的FWI方法面临若干挑战。上述方法易受循环跳跃问题影响而陷入局部极小值，并且需要巨大的计算资源，尤其是在地震数据集规模和分辨率要求不断提高的情况下。目前，许多深度学习方法被提出以解决上述挑战。FWIGAN是一种基于Wasserstein生成对抗网络（WGAN-GP）的最新无监督地震速度反演方法，已展现出克服这些挑战的显著成功。然而，FWIGAN通过在观测数据和合成数据之间的动态采样插值点上评估梯度惩罚来对判别器施加Lipschitz约束。这种策略引入了额外的计算和超参数调整成本。受这些限制的启发，我们将谱归一化引入FWIGAN框架，直接约束各网络层的谱范数以控制判别器的Lipschitz行为。这能够增强网络训练的稳定性。所提出的方法减轻了对大规模标注数据的依赖以及网络的预训练需求。将该新方案应用于Marmousi和Sigsbee模型以验证其稳健性能。实验结果明确表明，在反演精度方面，我们的方法优于常见方法。

An unsupervised physics-constrained velocity inversion method based on spectral normalization adversarial learning

摘要

期刊

机构

引用论文