Full Waveform Inversion Using Oriented Time Migration Method
PulseAugur coverage of Full Waveform Inversion Using Oriented Time Migration Method — every cluster mentioning Full Waveform Inversion Using Oriented Time Migration Method across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
扩散模型增强贝叶斯FWI以进行地下结构重建
研究人员通过将学习到的扩散模型与退火Stein变分梯度下降（ASVGD）相结合，开发了一种新颖的全波形反演（FWI）方法。该方法通过使用扩散模型作为学习到的地质投影算子，将粒子引导至合理的声速模型，从而增强了地下模型重建。扩散正则化的ASVGD-FWI框架提高了反演的稳定性和不确定性估计的可解释性，尤其是在复杂地质区域。
-
新的PSG方法利用扩散模型增强地震反演
研究人员开发了一种名为物理状态引导扩散采样（PSG）的新方法，以改进用于地下速度估计的全波形反演（FWI）。PSG通过高斯桥将持久的物理速度与扩散先验耦合，并通过波形拟合来精炼物理状态。该方法分离了波动方程和去噪器梯度，从而实现了更好的初始化和优化历史。PSG在各种OpenFWI系列上展示了优于现有方法的性能，即使在存在噪声或不完整地震数据的情况下，并且在Marmousi、Overthrust和BP2004 Salt等大型模型中成功恢…
-
新型神经算子加速超声成像重建
一篇研究论文介绍了一种新颖的技术——神经出生序列算子（NBSO），旨在加速超声计算机断层扫描（USCT）的波模拟。该方法旨在提高全波形反演（FWI）过程的效率，而FWI对于重建USCT成像中的组织特性至关重要。NBSO已在模拟的脑部和乳腺数据集上得到验证，在正向模拟和图像重建方面均展示了其准确性和效率，有望实现近乎实时的USCT应用。
-
新的扩散反演技术改进图像重建和地震分析 · 跟踪4个来源
研究人员正在开发新的扩散反演方法，该过程将图像映射回扩散模型的潜在空间以进行重建和编辑。一种方法“后验延续”（Posterior Continuation）根据噪声水平优化频带暴露，以提高各种任务的恢复性能。另一种方法“解耦潜在优化”（Decoupled Latent Optimization, DLO）通过解耦数据保真度和先验一致性来增强全波形反演，从而获得更真实的地球物理结构。此外，一种称为“时间步重排”（Timestep Res…
-
混合量子经典PINN加速地震反演
研究人员开发了一种混合量子经典方法，用于加速物理信息神经网络（PINNs）的全波形反演（FWI）。这种新方法将参数化量子电路集成到PINN框架中，能够更快、更准确地从地震数据中重建材料属性。与纯经典方法相比，该混合模型在地球物理基准测试中表现出显著的改进，以更少的训练迭代次数和参数实现了更低的误差。
-
基于合成数据训练的大型人工智能模型在地震反演中达到SOTA
研究人员通过利用一个在模拟数据上训练的、拥有十亿参数的大型模型，开发了一种新颖的全波形反演（FWI）方法。该方法解决了数据驱动FWI中常见的过拟合问题，即有限的数据集通常会阻碍其对真实地质结构的泛化能力。所提出的策略涉及模型容量、数据多样性和训练技术之间的协同扩展，使模型能够在OpenFWI等基准测试中取得最先进的性能，并显著提高泛化能力。