以物理信息生成对抗学习的新视角重访地球物理成像
图像与视频处理
2021-09-24 v1 计算机视觉与模式识别
机器学习
摘要
地震全波形反演（FWI）是一种强大的地球物理成像技术，它通过迭代最小化模拟与观测地震记录之间的失配来生成高分辨率地下模型。不幸的是，采用最小二乘函数的传统 FWI 存在诸多缺陷，如局部极小问题以及显式梯度的计算。在测量受污染或初始模型较差时尤其具有挑战性。近期依赖偏微分方程与神经网络的工作在二维 FWI 上展现出良好性能。受生成对抗网络的对抗学习启发，我们提出了一种无监督学习范式，将波动方程与判别网络相集成，以在分布意义上精确估计物理一致的模型。我们的框架无需标记训练数据，也无需网络预训练，且能以极少的用户交互灵活实现多参数反演。所提方法忠实地恢复了知名的合成模型，优于经典算法。此外，我们的工作通过降低对初始模型和噪声的敏感性，为规避局部极小问题铺平了道路。
引用
@article{arxiv.2109.11452,
title = {Revisit Geophysical Imaging in A New View of Physics-informed Generative Adversarial Learning},
author = {Fangshu Yang and Jianwei Ma},
journal= {arXiv preprint arXiv:2109.11452},
year = {2021}
}