利用生成式神经网络参数化生成条件地质实现

深度学习技术正日益被考虑用于地质应用，其中——正如计算机视觉中一样——挑战的特征在于由多点统计主导的高维空间数据。特别地，一种称为生成对抗网络的新技术近期被研究用于地质参数化与合成，获得了至少定性上与先前方法媲美的非常令人印象深刻的成果。该方法获得地质的神经网络参数化——即所谓的生成器——能够以数个数量级的降维再现非常复杂的地质模式。后续工作已解决条件化任务，即使用生成器生成尊重空间观测（硬数据）的实现。然而，当前方法未提供条件生成过程的参数化。本工作中，我们提出一种获取直接生成条件实现之参数化的方法。主要思想是简单地扩展现有生成器网络，通过堆叠第二个推断网络来学习执行条件化。该推断网络是一个经训练以采样使用条件化任务的贝叶斯公式导出的后验分布的神经网络。由此得到的扩展神经网络从而提供了条件参数化。我们的方法在二值河道化地下的基准图像上进行了评估，针对多种条件配置均获得了非常有前景的结果。