深度学习FWI的初始模型嵌入：预训练还是去标准化？
机器学习
2025-06-09 v1 地球物理
摘要
亚声层性神经网络reparameterized全波形反演(FWI)已成为一种有效的无监督学习框架，可实现即使在初始模型不准确的情况下仍稳定反演。它更新可训练神经网络参数而不是直接对亚声层模型进行微调。主要有两种方法将初始模型的先验知识嵌入神经网络，即预训练和去标准化。预训练通过拟合初始速度模型来规范化神经网络参数；去标准化直接将网络的输出添加到初始模型中，而无需预训练。在本文中，我们系统地研究了两种初始模型嵌入方式对神经网络reparameterized FWI的影响。我们证明，预训练需要基于常数速度值(平均值)反演模型扰动，采用两阶段实施。这导致工作流程复杂且在两个阶段过程中目标函数不一致，导致网络参数变得不活跃，失去塑性。实验结果表明，与预训练相比，去标准化可以简化工作流程、加快收敛并提高反演精度。
引用
@article{arxiv.2506.05484,
title = {Initial Model Incorporation for Deep Learning FWI: Pretraining or Denormalization?},
author = {Ruihua Chen and Bangyu Wu and Meng Li and Kai Yang},
journal= {arXiv preprint arXiv:2506.05484},
year = {2025}
}