本文发现了一个惊人的现象：当通过自监督学习分别为地震数据和速度图像训练编码器和解码器时，在潜在空间中观察到跨域的线性关系。基于这些发现，我们提出了 SimFWI，它包括两个步骤：通过多个数据集上的遮蔽图像建模分别学习地震编码器和速度解码器；为每个数据集学习一个线性映射。实验结果表明，SimFWI 可以实现与联合训练模型相当的结果。

Apr, 2023

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。

Oct, 2023

通过 i-RevNet 网络的可逆性证明了深度卷积网络并不需要通过逐步丢弃输入信息来学习代表信息以获得泛化能力，并通过线性插值对模型学习到的信息进行了解释。

Feb, 2018

根据观测边界数据估计给定领域中的波速分布是全波形反演（FWI）的一个反问题。为了降低计算复杂度，我们整合了一个基于卷积神经网络（CNN）的编码器 - 求解器预处理器的学习过程，该编码器 - 求解器被训练成有效地对离散化的 Helmholtz 算子进行预处理。通过在优化过程的迭代中重新训练 CNN，我们使编码器 - 求解器适应迭代演化的波速介质作为反演的一部分。我们使用高频数据演示了解决 2D 地球物理模型的 FWI 问题的方法。

May, 2024

通过应用结构剪枝算法得到 InversionNet 的轻量化版本以便在资源有限的边缘设备上进行高效推断，实验结果表明剪枝后的 InversionNet 在模型性能适度下降的情况下能够节省高达 98.2％的计算资源。

Oct, 2023

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

本文介绍了 Fourier-DeepONet 的模型在地震波形反演中的应用实验结果，相较于已有的数据驱动 FWI 方法，该模型在不同频率和位置的源参数下表现出更高的鲁棒性和更准确的预测结果。

May, 2023

本文提出一种基于物理信息神经网络（PINN）的地震波反演框架，以求解半无限域的介质分布问题。通过设计轻量网络学习未知介质分布和深度神经网络近似求解变量来验证该方法的有效性。

May, 2023

本文提出了一种基于 SVD 的分解方法，将常规卷积扩展为深度可分离卷积，从而在维持高准确性的同时，优于通道分解方法，提高了 ShuffleNet V2 模型的 Top-1 准确率约 2％。

Oct, 2019

提出了一种基于可逆网络的去噪方法 InvDN，通过将噪音输入转换成低分辨率的干净图像和包含噪音的潜在表示，再在反转时用来自先验分布的另一个采样的潜在表示来替换噪音表示，实现了对 SIDD 数据集最优的性能表现，且运行时间更短，模型大小只有最新 DANet 的 4.2％。

Apr, 2021