基于 Image-to-Image Schrödinger 桥的声学波形反演
机器学习
2025-06-19 v1
摘要
近期将深度学习模型应用于声学完全波形反演 (FWI) 的发展表现为以扩散模型作为贝叶斯式推断程序的先验分布。这些方法的优势在于能够生成高分辨率样本，而经典反演方法或其他深度学习解决方案则难以实现。然而，扩散模型抽样的迭代和随机特性以及输出控制的启发性质仍是其适用性的限制因素。例如，如何将近似速度模型纳入扩散基于反演方案仍不明确，尽管它被视为 FWI 管道的必需部分。我们通过采用将 ground truth 分布与平滑速度模型分布之间的插值的 Schrödinger 桥来解决此问题。为促进在分布之间传递样本的非线性漂移的学习，我们将 Image-to-Image Schrödinger 桥 (I2SB) 的概念扩展到条件抽样， resulting in a conditional Image-to-Image Schrödinger Bridge (cI2SB) 框架。为验证我们的方法，我们评估其在从其平滑近似值重建参考速度模型、并结合固定形状的观测地震信号方面的效果。我们的实验表明，所提出的解决方案在仅需少量神经网络函数评估 (NFEs) 的情况下，优于之前工作中建议的条件扩散模型的重新实现，同时实现的样本保真度优于监督学习方法。论文中描述的算法实现代码可在仓库 https://github.com/stankevich-mipt/seismic_inversion_via_I2SB 中找到。
引用
@article{arxiv.2506.15346,
title = {Acoustic Waveform Inversion with Image-to-Image Schr\"odinger Bridges},
author = {A. S. Stankevich and I. B. Petrov},
journal= {arXiv preprint arXiv:2506.15346},
year = {2025}
}
备注
Submitted to "Computational Mathematics And Mathematical Physics", ISSN 1555-6662, issue 8, August 2025