基于神经算子结合扩散先验的时滞图像速度模型构建

速度模型构建是实现高精度亚地层成像的关键组成部分。然而，传统速度模型构建方法往往计算昂贵且耗时。近年来，随着深度学习，尤其是生成模型和神经算子取得的快速进展，集成数据及其统计信息的深度学习方法正逐渐受到青睐，以解决传统方法的局限。本研究提出一种新框架，将生成模型与神经算子相结合，高效获得高分辨率速度模型。该工作流程中，神经算子作为前向映射算子，快速生成从真实速度模型和迁移速度模型得到的时滞逆时深度迁移（RTM）扩展图像。在此框架下，神经算子作为建模随后迁移的替代品，分别使用真实速度和迁移速度。训练好的神经算子通过自动微分，逐步更新置于真实速度输入通道中的迁移速度，以高分辨率分量，使其输出匹配使用迁移速度获得的观测数据的时滞图像。通过嵌入一个在高分辨率速度模型分布上训练的生成模型，该模型对应于用于训练神经算子的真实速度模型分布，作为正则化器，最终预测结果更干净，包含更高分辨率信息。合成数据和实际数据实验均证明了基于生成式神经算子的方法在速度模型构建方面的有效性。