基于潜在空间平移的地下成像中前向与逆问题统一框架
机器学习
2025-04-03 v3 数学物理
math.MP
地球物理
摘要
在地下成像中,从速度图到地震波形的映射(前向问题)以及从波形到速度的映射(逆问题)对于多个应用至关重要。虽然传统方法在计算上往往代价高昂,但近年来深度学习技术受到越来越多关注,以直接从数据中学习速度图和地震波形图像之间的映射。尽管已有工作探索了多种网络架构,仍有诸多未解之谜,如潜在空间大小的影响、流形学习的重要性、翻译模型的复杂度以及同时求解前向与逆问题的价值等。我们提出一种统一框架,称为广义前向-逆(GFI)框架,以流形假设和潜在空间平移为基础,系统性地刻画了该领域的 prior 研究。我们证明,GFI框架涵盖了地下成像中深度学习的先前工作,这些工作可视为GFI的具体化。我们还在GFI框架内提出两种新型模型:Latent U-Net 和 Invertible X-Net,分别利用 U-Net 的域转换能力以及 IU-Net 同时学习前向和逆向转换的能力。我们表明,所提出的模型在广泛的合成数据集上实现了前向和逆问题的状态最佳(SOTA)性能,并探讨了在两个真实情景数据集上的零样本有效性。我们的代码已公开于 https://github.com/KGML-lab/Generalized-Forward-Inverse-Framework-for-DL4SI
引用
@article{arxiv.2410.11247,
title = {A Unified Framework for Forward and Inverse Problems in Subsurface Imaging using Latent Space Translations},
author = {Naveen Gupta and Medha Sawhney and Arka Daw and Youzuo Lin and Anuj Karpatne},
journal= {arXiv preprint arXiv:2410.11247},
year = {2025}
}
备注
Accepted at ICLR 2025