Bayesian Full Waveform Inversion With Learned Prior Using Deep Convolutional Autoencoder

doi:10.1109/tgrs.2026.3716672

Bayesian Full Waveform Inversion With Learned Prior Using Deep Convolutional Autoencoder

2026-07-24

0

PRE

AI

Abdelrahman Elmeliegy

S

Shuo Zhang

DOI：10.1109/tgrs.2026.3716672

原文链接

原文求助

摘要

En 中文

全波形反演（FWI）可表达为贝叶斯框架，其中相关不确定性由后验概率分布（PPD）捕获。在实践中，使用基于采样的方法（如马尔可夫链蒙特卡罗（MCMC））求解贝叶斯FWI计算量很大，因为模型空间维度极高。为缓解此困难，我们开发了一种深度卷积自编码器（CAE），作为反演的先验知识。CAE将详细的地下速度模型压缩为低维潜在表示，相较于传统降维方法，实现了更有效且地质一致性的模型降维。反演过程采用自适应梯度型MCMC算法，并通过自动微分（AD）增强的FWI在潜在空间中高效计算梯度。此外，我们通过反演过程中的在线微调实现迁移学习策略，使框架能够适应原始训练集中未表示的速度结构。合成数据的数值实验表明，该方法在重建速度模型和评估不确定性方面，相比传统MCMC方法效率更高。

Keyword:

Deep learning

dimensionality reduction

inverse problems

seismology

uncertainty

Bayesian Full Waveform Inversion With Learned Prior Using Deep Convolutional Autoencoder

摘要

期刊

机构

引用论文