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

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

通过对大数据对深度学习模型在全波形反演（FWI）中的影响的调查研究，揭示了大数据对FWI中的深度学习模型的性能和泛化能力的改善效果。同时，研究表明模型的容量需要根据数据的规模进行相应的调整以达到最佳的改进效果。

Jul, 2023

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

通过深度神经网络的无监督学习方法，提出了一种重构地下物理速度参数的方法，不需要标记的训练数据集，表现优于传统方法。

Nov, 2023

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

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

基于弹性散射理论和深度学习技术，本文提出了一种基于物理问题的时间谐波全波形反演方法，以增强解的准确性，并通过修改变分自编码器的结构引入了一种基于物理问题的概率深度学习方法，能够探索解的不确定性。为了评估提出的方法的性能和准确性，并鉴于该领域数据集的有限可用性，我们创建了一个逼近实际的综合数据集，并对所提出的方法进行了比较分析。

Jun, 2024

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

本文研究了全波形反演（FWI）在用波传播获得的稀疏测量数据重建材料场中的应用。提出了一种新颖的迁移学习方法，通过监督预训练来优化神经网络（NN）的权重初始化，从而加速之后的优化问题并实现更有意义的局部最小值。实验结果表明，迁移学习NN基础的FWI在收敛速度和重建质量上显著优于其他方法。

Aug, 2024