English(EN) A Differentiable Framework for Full and Phaseless Data Inversion Using Neural Implicit Contrast-Source Representation

新的神经框架提高了数据反演的准确性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-05 04:00

研究人员开发了一种使用神经隐式表示进行数据反演的新型可微分框架。该方法将对比源参数化为连续的神经场，提高了准确性和鲁棒性，尤其是在测量存在噪声的情况下。该框架可以处理全相位和无相位数据反演，并允许在训练网格之外进行超分辨率推理。 AI

影响为科学数据处理引入了一种新颖的神经网络方法，有可能提高各种计算物理学应用的准确性。

排序理由这是一篇详细介绍新计算方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Haoran Sun, Daoqi Liu, Hongyu Zhou, Maokun Li, Shenheng Xu, Fan Yang · 2026-06-05 04:00

一种用于使用神经隐式对比源表示进行完整和无相位数据反演的可微分框架

arXiv:2508.10555v2 Announce Type: replace-cross Abstract: In this study, we extend the contrast source inversion to a fully differentiable, unsupervised framework based on a neural implicit representation of the contrast source. Specifically, instead of a pixel-wise discrete repr…