.png){kind=icon}
返回
Learned Diffusion Model Regularization for Full Waveform Inversion
.png){kind=icon}
PRE
AI
DOI：10.1111/1365-2478.70188.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩散模型（DM）是一类通过迭代去噪从随机扰动中学习复杂数据分布的深度生成框架。本文介绍了一种基于DM的正则化策略用于全波形反演（FWI），命名为DM-FWI，该策略利用大量地质速度模型中嵌入的知识训练一个通用模型，以无缝方式应用地质先验。DM捕获高维结构并生成地质上合理的样本的能力使其成为反演问题的强大先验。在FWI中，DM充当结构自适应平滑器，引导更新向与真实地质模式一致解的方向进行。这种隐式正则化在提高恢复速度模型地质意义的同时缓解了常见的跳周问题。合成数据和现场数据实验表明，DM-FWI稳定了反演过程，增强了收敛性，并得到了定量准确且地质可解释的地下模型。
Keyword:
OPTIMAL TRANSPORT
期刊
G
IF:
1.8
论文数:
112
被引数:
6.0K
机构
引用论文
Enabling uncertainty quantification in a standard full-waveform inversion method using normalizing flows.png)
GEOPHYSICS
GEOPHYSICSIF3.2
PREAI
分享收藏Elastic FWI for orthorhombic media with lithologic constraints applied via machine learningGEOPHYSICS
GEOPHYSICSIF3.2
PREAI
分享收藏Building starting models for full waveform inversion from wide‐aperture data by stereotomography
PREAI
分享收藏Target-oriented high-resolution elastic full-waveform inversion with an elastic redatuming methodGEOPHYSICS
GEOPHYSICSIF3.2
PREAI
分享收藏Regularization of anisotropic full-waveform inversion with multiple parameters by adversarial neural networksGEOPHYSICS
OAAI
GEOPHYSICSIF3.2
OAAI分享收藏Learned Regularizations for Multi‐Parameter Elastic Full Waveform Inversion Using Diffusion Models
OAAI
OAAI分享收藏
查看更多内容