一种新的实用且有效的不依赖于震源的全波形反演方法——基于速度分布支持的深度图像先验：应用于两个真实数据集

全波形反演（FWI）是一种通过逐步最小化观测数据与预测地震数据之间的差异来重建高分辨率地下物理参数的先进技术。然而，传统的FWI在实际数据应用中面临挑战，主要源于其以数据直接拟合差异为传统目标。准确的震源子波估计对于有效的数据拟合至关重要，同时需要低频数据和合理的初始模型以避免周跳。此外，波方程求解器在实际应用中往往难以准确模拟观测数据的振幅。为应对这些挑战，我们引入了一种基于相关性的不依赖于震源的目标函数，用于FWI，旨在减轻震源不确定性和振幅依赖性，从而有效增强其在实际数据应用中的实用性。我们开发了一个受该新目标函数约束的深度学习框架，结合速度分布支持的深度图像先验，将速度反演重新参数化为自编码器中的可训练参数，从而降低了传统FWI目标函数中的非线性。我们使用来自基准速度模型的合成数据，更重要的是使用两个真实数据集，证明了所提出方法的优越性。这些示例突出了其在具有挑战性的条件下（如缺失低频数据、粗糙的初始速度模型和不正确的震源子波）的有效性和实用性。