基于CNN即插即用正则化的后验采样及其在叠后地震反演中的应用
机器学习
2023-01-02 v1 机器学习
概率论
地球物理
摘要
不确定性量化对反问题至关重要，因为它能为决策者提供关于反演结果的宝贵信息。例如，地震反演由于地震数据的带限和含噪特性而是一个著名的病态反问题。因此，量化与反演过程相关的不确定性以简化后续的解释与决策过程至关重要。在此参考框架下，从目标后验中采样为量化地震反演中的不确定性提供了基本途径。然而，在概率反演中选择恰当的先验信息至关重要却非平凡，因为它影响基于采样的推断在后验样本中提供地质真实性的能力。为克服此类局限，我们提出了一种正则化变分推断框架，该框架通过即插即用（Plug-and-Play）方法利用基于CNN的去噪器对Kullback-Leibler散度损失进行隐式正则化来执行后验推断。我们将这一新算法称为即插即用Stein变分梯度下降（PnP-SVGD），并展示了其在生成代表地下结构的高分辨率、可信样本方面的能力，我们认为这些样本可用于储层建模和历史匹配等推理后任务。为验证所提方法，在合成与实地叠后地震数据上均进行了数值测试。
引用
@article{arxiv.2212.14595,
title = {Posterior sampling with CNN-based, Plug-and-Play regularization with applications to Post-Stack Seismic Inversion},
author = {Muhammad Izzatullah and Tariq Alkhalifah and Juan Romero and Miguel Corrales and Nick Luiken and Matteo Ravasi},
journal= {arXiv preprint arXiv:2212.14595},
year = {2023}
}
备注
It will be submitted for journal publication