[論文レビュー] Generating Realistic Geology Conditioned on Physical Measurements with Generative Adversarial Networks

Emilien Dupont, Tuanfeng Zhang+3 more|arXiv (Cornell University)|Feb 8, 2018

Generative Adversarial Networks and Image Synthesis参考文献 15被引用数 58

ひとこと要約

本論文はGANを用いたセマンティックインペインティングを利用し、まばらな物理測定値を尊重しつつ、パターンの変動性を捉えた現実的な地質的実現を生成する。

ABSTRACT

An important problem in geostatistics is to build models of the subsurface of the Earth given physical measurements at sparse spatial locations. Typically, this is done using spatial interpolation methods or by reproducing patterns from a reference image. However, these algorithms fail to produce realistic patterns and do not exhibit the wide range of uncertainty inherent in the prediction of geology. In this paper, we show how semantic inpainting with Generative Adversarial Networks can be used to generate varied realizations of geology which honor physical measurements while matching the expected geological patterns. In contrast to other algorithms, our method scales well with the number of data points and mimics a distribution of patterns as opposed to a single pattern or image. The generated conditional samples are state of the art.

研究の動機と目的

• まばらな物理測定値がある場合の現実的な地下モデルの必要性を動機づける。
• 測定値に条件づけられた地質の複数の実現を生成するためのGANベースのセマンティックインペインティングフレームワークを提案する。
• データ量の増加に対して方法がスケールすること、単一の実現ではなくパターンの分布を捉えることを実証する。
• 地質学を超えた適用可能性を示す。例えば衛星画像や他の地理空間データへの適用。

提案手法

• binaryな河川パターン画像の分布上でDC-GANを訓練し、p_fluvial(z)を学習する。
• 条件づけを事前損失 Lp(z)=log(1−D(G(z)))として表現する。
• 既知ピクセル上の条件付けをコンテキスト損失 Lc で表現し、拡張マスクと値を介して空間的に制約を伝搬するよう拡張する。
• 測定値を尊重し現実的に見える実現を得るために総損失 L(z)=L̃c(z|y,M)+λLp(z)を最小化する。
• zをランダムに初期化し、それぞれをL(z)の異なる局所極小値へ最適化して複数の実現を生成する。
• 必要に応じて Landsat由来データで訓練し、陸地/水ラベルで条件付けすることにより衛星画像へフレームワークを適用する。

実験結果

リサーチクエスチョン

• RQ1 GANベースのセマンティックインペインティングアプローチは、まばらな測定値を尊重した現実的な地質実現を生成できるか？
• RQ2 物理測定値による条件付けは多数のデータポイントに対してスケールし、依然として一貫性のある多様な実現を生み出すか？
• RQ3 現実感と一貫性の観点で、提案手法はsnesimのような既存のトレーニング画像ベース手法とどのように比較されるか？
• RQ4 衛星画像など他の地理空間データへアプローチは一般化できるか？

主な発見

• 条件付きサンプルは現実的で一貫しており、さまざまな条件密度の測定を尊重する。
• 本手法は最先端と競合するサンプルを生み出し、いくつかのベースラインには欠如している現実的なチャネル接続と多様性を生み出す。
• 測定値の数を増やしても必ずしも現実味が低下するわけではなく、手法は大規模な条件セットを処理できる。
• 潜在空間のトラバーサルは滑らかな変化とデータマニホールドのカバレッジを示し、学習されたパターン変動性を示唆する。
• Landsat衛星データへの適用は、陸地/水のパターンの説得力のある条件付き実現をもたらす。