Oct, 2023

3D 地震反演的深度压缩学习

PDF
TL;DR使用压缩学习框架和深度卷积神经网络（DCNN）联合优化维度缩减算子和实现三维反演编码 - 解码器的方法，以极少量的地震源进行预堆叠数据的三维地震反演，通过学习稀疏二进制感知层来实现维度缩减，并保持与使用整个数据集获得的三维重建质量相当的回归任务效果。
3d seismic inversionpre-stack datacompressed-learningdimensionality reductiondeep convolutional neural network
发现论文，激发创造
  • 深度卷积压缩感知在 LiDAR 深度补全中的应用

    使用压缩感知和交替方向神经网络技术创建了深度循环自编码器，从稀疏 LiDAR 点集中估计出密集的深度图，并表明此方法在仅使用 1800 个参数的情况下能够优于所有以前发表的结果。

    Mar, 2018

  • 通过深度学习联合反演时间变化的地表重力和地震数据以监测三维 CO$_2$ 气体云层

    我们引入了一种完全基于深度学习的三维方法，用于同时反演时间序列表面重力和地震数据，以重建地下密度和速度模型，该方法的目标应用是预测地下 CO₂羽流，作为监测 CO₂封存部署的补充工具，我们的联合反演技术优于基于深度学习的仅有重力或仅有地震的反演模型，实现了改进的密度和速度重建，准确的分割以及更高的 R-squared 系数，这些结果表明基于深度学习的联合反演是一种有效的 CO₂储存监测工具，未来的工作将侧重于使用更大的数据集验证我们的方法，进行其他地质封存地点的模拟，最终验证现场数据。

    Sep, 2023

  • 逆问题的深度分解学习

    本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

    Nov, 2019

  • 基于深度神经网络的复杂二进制地质媒介新低维度表示反演

    使用深度神经网络构建地质媒体参数化的低维基础模型，该模型可用于翻转地质媒体，并将维度降低用于无条件地质统计模型模拟。与最常用的概率逆向参数化表示法相比，该模型表现更好。

    Oct, 2017

  • 基于压缩感知的跌倒检测隐私保护

    本文提出了一种基于 3D Inception 模块的 3D ConvNet 框架用于跌倒检测，该框架采用压缩感知框架获取视频顺序的压缩测量结果作为空时输入，以解决由 RGB 相机监测患者隐私带来的隐私问题，并且在 Kinetics-400 数据集上，3D ConvNet 表现优于现有技术。

    Jan, 2020

  • 通过深度卷积神经网络学习反演：信号恢复

    本研究致力于解决压缩感知中遇到的两个挑战问题：真实数据在固定基下不是稀疏的；当前的高性能恢复算法收敛速度慢，这限制了压缩感知的应用。通过使用深度卷积神经网络，我们开发了一个名为 DeepInverse 的新信号恢复框架，从测量向量学习逆变换，解决了这两个挑战问题，并取得了实验结果上的成功表现。

    Jan, 2017

  • 地震反演的基于坐标的学习方法：IntraSeismic

    介绍了 IntraSeismic，一种新颖的混合地震反演方法，具有 2D 和 3D 后处理地震反演中无与伦比的性能、快速收敛速率、无缝包含硬约束条件（即井数据）和执行不确定性量化的能力，同时还具备数据压缩和对反演模型部分的快速随机访问的潜力。通过合成和现场数据的应用验证了该方法的有效性。

    Dec, 2023

  • MsDC-DEQ-Net：图像压缩感知（CS）的多尺度扩张卷积深度均衡模型（DEQ）

    利用 MsDC-DEQ-Net 模型，结合压缩感知和神经网络技术，实现自然图像的重建，同时减少存储需求并提高计算效率，通过多尺度扩张卷积进一步增强了性能。

    Jan, 2024

  • SVInvNet：一种用于地震波速逆演的密集连接编码器 - 解码器架构

    本研究提出了一种基于深度学习的地震速度反演方法，针对不同规模的嘈杂和噪声较小的训练数据集进行了研究。我们的 Seismic Velocity Inversion Network (SVInvNet) 引入了一种新的架构，其中包含了一个增强型的多连接编码器 - 解码器结构，该设计经过专门调整以有效处理复杂信息，从而解决非线性地震速度反演的挑战。通过训练和测试，我们创建了多层次、错误和盐穹模型等多种地震速度模型。我们还研究了不同种类的环境噪声以及训练数据集的大小对学习结果的影响。SVInvNet 在包含 750 到 6,000 个样本的数据集上进行了训练，并使用一个包含 12,000 个样本的大型基准数据集进行了测试。尽管参数较基准模型更少，但 SVInvNet 在该数据集上取得了优异的性能。我们还将 SVInvNet 的结果与全波形反演（FWI）方法进行了比较分析，清楚地展示了提出模型的有效性。

    Dec, 2023

  • 一种分割感知的压缩感知 MRI 深度融合网络

    本文提出一种名为 SADFN 的分割感知深度融合网络，采用多层特征聚合方法融合了 MRI 数据集中各个层次的特征，提高了图像重建的准确性，经大量实验证明该方法在压缩感知 MRI 图像重建领域取得了最好的结果。

    Apr, 2018