[論文レビュー] Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework

Ruihua Chen, Yisi Luo+2 more|arXiv (Cornell University)|Mar 23, 2026

Seismic Imaging and Inversion Techniques被引用数 0

ひとこと要約

この論文は波動ベースのニュートン伝播核（NTK）フレームワークを用いて連続表現を用いたFWI（CR-FWI）を解析し、ロバスト性と高周波収束性のバランスをとる新しいCR-FWI手法（LR-FWI、MPE-FWI、IG-FWI）を提案・検証している。標準的な地球物理モデルで検証を行う。

ABSTRACT

Full-waveform inversion (FWI) estimates physical parameters in the wave equation from limited measurements and has been widely applied in geophysical exploration, medical imaging, and non-destructive testing. Conventional FWI methods are limited by their notorious sensitivity to the accuracy of the initial models. Recent progress in continuous representation FWI (CR-FWI) demonstrates that representing parameter models with a coordinate-based neural network, such as implicit neural representation (INR), can mitigate the dependence on initial models. However, its underlying mechanism remains unclear, and INR-based FWI shows slower high-frequency convergence. In this work, we investigate the general CR-FWI framework and develop a unified theoretical understanding by extending the neural tangent kernel (NTK) for FWI to establish a wave-based NTK framework. Unlike standard NTK, our analysis reveals that wave-based NTK is not constant, both at initialization and during training, due to the inherent nonlinearity of FWI. We further show that the eigenvalue decay behavior of the wave-based NTK can explain why CR-FWI alleviates the dependency on initial models and shows slower high-frequency convergence. Building on these insights, we propose several CR-FWI methods with tailored eigenvalue decay properties for FWI, including a novel hybrid representation combining INR and multi-resolution grid (termed IG-FWI) that achieves a more balanced trade-off between robustness and high-frequency convergence rate. Applications in geophysical exploration on Marmousi, 2D SEG/EAGE Salt and Overthrust, 2004 BP model, and the more realistic 2014 Chevron models show the superior performance of our proposed methods compared to conventional FWI and existing INR-based FWI methods.

研究の動機と目的

• 従来のFWIとCR-FWIを波動ベースNTKフレームワークで統一的に理論化する動機づけと形式化。
• トレーニング中の波動ベースNTKの進化と、それの固有値スペクトルがロバスト性と収束性を支配する仕組みの特徴付け。
• ロバスト性と高周波分解能のトレードオフを調整するために、特定の固有値減衰を持つCR-FWI手法（LR-FWI、MPE-FWI、IG-FWI）を提案。
• 困難な地質モデル（Marmousi、SEG/EAGE Salt and Overthrust、2004 BP、Chevron）で提案手法をデ baselinesと比較してデモンストレーション。
• CR-FWIが初期モデルへの依存を低減する理由を理論的洞察と経験的検証で説明するとともに、高周波収束性の遅延が起こりうる理由を説明。

提案手法

• 従来のFWI用波カーネル（命題2.1）とCR-FWI用波ベースNTK（命題3.1）の導出。
• 波ベースNTKが初期化時および学習中に非決定論的であることを、FWIの非線形性により示す（定理4.1）。
• CR-FWIでは波ベースNTKの固有値減衰が従来のFWIよりも速く、ロバスト性の向上と高周波収束の遅延を説明できる（定理4.2）。
• NTKの固有値スペクトルを調整して収束性を改善するためにLR-FWIとMPE-FWIを導入（定理5.1）。
• IG-FWI（INRとマルチグリッドエンコードのハイブリッド）を提案し、ロバスト性と高周波収束のバランスを取る（定理5.2）。
• 座標ベースネットワーク、低ランクテンソル因子、マルチグリッドハッシュエンコーディングで速度モデルを表現し、それらのNTKスペクトルを分析（式5–14）。

実験結果

リサーチクエスチョン

• RQ1 従来のFWIとCR-FWIのロバスト性と収束性の違いを説明する統一的理論枠組みは存在するか。
• RQ2 波ベースNTKは学習中にどのように進化し、固有値スペクトルは収束速度に対して何を意味するのか。
• RQ3 FWIにおいてロバスト性と高周波収束性をバランスさせる連続表現を設計できるか。
• RQ4 INRとマルチグリッドを組み合わせた統合表現は、既存のINRベースFWIよりロバスト性と収束性の両方で優れているか。
• RQ5 提案手法（LR-FWI、MPE-FWI、IG-FWI）は、難易度の高いデータ条件下で標準ベンチマークより優れた性能を示すか。

主な発見

• 波ベースNTKは動的で初期化時および学習中に非決定論的である（FWIの非線形性が原因）。
• CR-FWIは波ベースNTKの固有値減衰が従来のFWIより速く、ロバスト性の向上と高周波収束の遅延を説明できる。
• INRベースのFWIは低周波の収束を加速する一方で、高周波領域ではスペクトルバイアスのため性能が劣る可能性がある。
• MPE-FWIは高周波成分のスペクトル条件づけと収束速度を改善するがロバスト性のトレードオフがある。
• IG-FWIはINRとマルチグリッドエンコードを組み合わせることでロバスト性と収束性のトレードオフを均衡させ、中間の固有値減衰を示す。
• Marmousi、SEG/EAGE Salt and Overthrust、2004 BP、Chevronモデルに関する広範な実験は、提案手法がベースラインよりデータ不完全性下で優れた性能を示すことを確認。