文獻(xiàn)分享

1. Multitask Learning for Super-Resolution

原題目：Multitask Learning for Super-Resolution of Seismic Velocity Model

全波形反演（FWI）是估算地下速度模型的強大工具。與傳統(tǒng)反演策略相比，F(xiàn)WI充分利用了地震波的運動學(xué)和動力特性，具有更高的精度和分辨率。近年來，低頻和中頻波數(shù)的FWI發(fā)展迅速，而高頻FWI由于其計算成本巨大，亟待解決。由于深度學(xué)習(xí)技術(shù)在各種地球物理問題中取得了顯著的性能，作者建議使用深度學(xué)習(xí)方法來提高FWI的效率和準(zhǔn)確性。

Core parts:
1.super-resolution：目標(biāo)是從給定的低分辨率圖像中獲得視覺上令人愉悅的高分辨率圖像。作者專注于使用SR技術(shù)來輔助FWI任務(wù)，即使用SR作為后處理操作來提高FWI的質(zhì)量。
2.multitask learning：把多個相關(guān)的任務(wù)放在一起學(xué)習(xí)，同時學(xué)習(xí)多個任務(wù)。通過在一定程度上提高輔助任務(wù)的性能和共享參數(shù)，可以更好地泛化原始任務(wù)（主要任務(wù)）。

1.1 方法

邊緣圖像：是對原始圖像進行邊緣提取后得到的圖像。邊緣是圖像性區(qū)域和另一個屬性區(qū)域的交接處，是區(qū)域?qū)傩园l(fā)生突變的地方，是圖像中不確定性最大的地方，也是圖像信息最集中的地方，圖像的邊緣包含著豐富的信息。

具有硬參數(shù)共享的MTL：邊界恢復(fù)是當(dāng)前SR處理的難點，并且這在地震速度模型的SR中尤為突出。在地球物理學(xué)中，地震速度模型的邊緣信息是地質(zhì)模型的重要組成部分，這證明了使用邊緣圖像重建作為輔助任務(wù)的相關(guān)性。并且由于地震速度模型與其邊緣圖像高度相關(guān)，因此采用硬參數(shù)共享策略更加高效。文章得到的邊緣圖像是原始圖像經(jīng)過sobel算子卷積的結(jié)果。

混合損失函數(shù)：由MSE和TV組成，表達(dá)式如下：
$$\text{loss}(\Phi )=\text{mse}(\Phi )+\text{TV}(\Phi )$$
$$\text{mse}(\Phi )=\frac{1}{NM}\sum _{k=1}^3{\alpha }_k\sum _{i=1}^N\sum _{j=1}^M(f(I_L,\Phi {)}^{i,j,k},?I_H^{i,j,k}{)}^2,$$ where ${\sum }_{k=1}^3{\alpha }_k=1$ and $a_k{l}_1(I_H?I_L){|}_{c=k}\equiv C,k=1,2,3$

$$\text{TV}(\Phi )={\beta }_1\frac{1}{K_1}\sum _{i=1}^N\sum _{j=2}^M|f(I_L,\Phi {)}^{i,j,1}?f(I_L,\Phi {)}^{i,j?1,1}|+{\beta }_2\frac{1}{K_2}\sum _{i=1}^N\sum _{j=2}^M|f(I_L,\Phi {)}^{i,j,1}?f(I_L,\Phi {)}^{i?1,j,1}|,$$
where $K_1=N(M?1),K_2=(N?1)M$.

同時，在訓(xùn)練過程中，采用了學(xué)習(xí)率衰減方法。實際學(xué)習(xí)率表示為
$${\eta }_i=a^i{\eta }_0$$
${\eta }_0$為初始學(xué)習(xí)率，$a$為衰減率。

1.2 實驗結(jié)果

2. Super-resolution guided by seismic data

原題目：Super-Resolution of Seismic Velocity Model Guided by Seismic Data
前面的提到的，M-RUDSR的多任務(wù)學(xué)習(xí)框架已經(jīng)成功通過提高地震速度模型的分辨率，來提高FWI結(jié)果的精度。
然而，作者認(rèn)為它并沒有充分利用地震數(shù)據(jù)。但由于地震速度模型和地震數(shù)據(jù)處于不同的頻段，單純增加模型輸入輸出通道來實現(xiàn)地震數(shù)據(jù)的利用效果有限。在M-RUSDR的基礎(chǔ)上，提出了M-RUSDRv2。
不同的是，M-RUSDR是僅將地震速度模型邊緣圖像的SR作為輔助任務(wù)以增強地震速度模型的分辨率，而M-RUSDRv2不僅考慮地震速度模型及其邊緣圖像，還考慮了地震數(shù)據(jù)及其邊緣圖像。并且M-RUSDRv2通過在特定數(shù)據(jù)的訓(xùn)練，海量數(shù)據(jù)上的微調(diào)，實現(xiàn)了較強的泛化能力。

2.1 方法

損失函數(shù)：與上文僅僅有一處不同，即 $a_k$
${\sum }_{k=1}^K{a}_k=1,K=6$ and $a_k=m{a}_{k+3},m>0,k\in [1,3]$ and $a_{k_1}\Vert I_H^{k_1}?I_L^{k_1}{\Vert }_1=a_{k_2}\Vert I_H^{k_2}?I_L^{k_2}{\Vert }_1,k_1,k_2\in [1,3]$

訓(xùn)練過程分為三個步驟：
1.對具有相同模糊級別的地震速度模型和地震數(shù)據(jù)進行訓(xùn)練，包括四種類型的訓(xùn)練數(shù)據(jù)(與上文類似）。上式參數(shù)$m$設(shè)置為1。此時模型僅針對特定數(shù)據(jù)進行初步學(xué)習(xí)，泛化能力較差。
2.對地震速度模型和各種模糊級別的地震數(shù)據(jù)進行訓(xùn)練，包括16種訓(xùn)練數(shù)據(jù)。因此，該模型廣泛學(xué)習(xí)各種數(shù)據(jù)，具有很強的泛化能力。$m$值設(shè)置同上。
3.對地震速度模型和各種模糊級別的地震數(shù)據(jù)的訓(xùn)練（與步驟2中的訓(xùn)練數(shù)據(jù)類似）。此外，將參數(shù)$m$調(diào)整為$m>1$，這使得損失函數(shù)對地震速度模型更加敏感。

2.2 實驗結(jié)果

文章來源地址http://www.zghlxwxcb.cn/news/detail-656548.html

到了這里，關(guān)于超分辨率地震速度模型的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！