Feb, 2023

使用物理先验增强的深度自编码器进行无监督地震足迹去除

HTML
PDF
TL;DR本文提出了一种名为FR-Net的去除地震采集器足迹的深度卷积自编码器网络，其设计了一个单向总变分模型（UTV）来按照噪声的内在方向性特性进行足迹获取，并使用UTV模型对DCAE进行强正则化，从而将DCAE转换为 extcolor{black}{增强先验}方法。 经过定性和定量评估，该FR-Net在三个合成和现场数据集上的表现优于先前的最先进方法。
发现论文，激发创造
  • 利用生成扩散模型的先验正则化全波形反演

    提出了一种使用生成扩散模型优化全波形反演的方法，该方法可以有效地结合地下前期速度模型与地震观测数据，提高了地下模型的重构精度。

    Jun, 2023

  • 基于可解释人工智能的自监督地震降噪掩模设计

    该研究提出了一种基于可解释的人工智能方法的自监督抑噪技术，利用导数矩阵中的像素平均值来识别最有效的抑噪掩码，从而实现无需标记或预先知识的全面自动抑噪过程。

    Jul, 2023

  • 可控的地震速度合成使用生成扩散模型

    使用条件生成扩散模型为地震速度综合提供灵活性，同时提高准确性和可靠性，以解决目标分布涵盖的统计或神经网络方法不足的问题。

    Feb, 2024

  • 使用具有注意力层的卷积神经网络从地震振幅中高分辨率地检测地球结构异质性

    提出一种使用卷积神经网络和注意力层结合的高效且具有成本效益的架构，用于检测地震结构异质性，通过利用合成数据进行迁移学习以训练和微调模型，解决有限标注数据可用性的挑战。

    Apr, 2024

  • Xi-Net: 基于Transformer的地震波形重构器

    通过使用变压器（Transformer）为基础的深度学习模型，我们提出了一种名为Xi-Net的模型，它利用多方位的时间和频域输入来准确重建地震波形。我们通过填充随机间隙来证明该模型在120s波形中表现出色，与原始波形非常接近。

    Jun, 2024

  • 反演-深度操作网络：基于深度操作网络的编码-解码新网络用于全波形反演

    本研究针对现有全波形反演（FWI）中数据集的不足，提出了一种新颖的反演-深度操作网络（Inversion-DeepONet）。该方法利用多种频率与位置的数据集，提升了模型对地质结构的精确描述与建模能力。实验结果表明，所提出的网络在准确性和泛化能力上优于现有数据驱动的FWI方法。

    Aug, 2024

  • 通过预训练速度模型生成变换网络实现浅层到深层先验传播

    本研究解决了利用机器学习构建地下速度模型时，现有生成模型忽视空间依赖性和分辨率变化的问题。通过引入VelocityGPT，采用自回归训练的Transformer解码器，从浅层到深层生成速度模型，实现了通过浅层数据指导深层生成的创新方法。研究结果表明，VelocityGPT在合成数据上表现出色，为地震速度模型构建提供了有前景的应用途径。

    Aug, 2024

  • 一种通过多模态提示引擎驱动的基础模型，用于跨调查的通用地震地体解译

    该研究针对现有深度学习方法在支持多模态输入和不同地体类型解译上的局限，提出了一种新的可提示基础模型。该模型结合了在大规模自然图像上预训练的视觉基础模型与复杂的多模态提示引擎，实现了对各种地震调查地体的准确解译。研究结果显示，该模型在准确性、可扩展性和对新类型地体的概括能力上具有显著优势，为地球科学数据解读建立了新的范式。

    Sep, 2024

  • 基于卷积神经网络的地震数据去混叠方法

    本研究针对传统地震去混叠方法计算量大、参数设置复杂的问题，提出了一种基于深度学习的数据驱动方法，旨在提高去混叠的效率与准确性。通过构建卷积神经网络（CNN），该方法能够在近实时条件下实现与传统算法相比的优良去混叠效果，实验结果表明初始信噪比（SNR）显著影响最终去混叠的质量。

    Sep, 2024

  • 利用卷积神经网络对海洋地震数据进行去噪和去混叠

    本文解决了海洋地震数据处理的高计算需求和繁琐步骤的问题，提出使用深度卷积神经网络（CNN）来去除地震干扰噪声和解混叠的创新方法。研究的主要发现是，通过转向公共通道域，显著提高了去混叠的效率和结果质量，尤其在信噪比低的情况下表现良好。

    Sep, 2024