[論文レビュー] VelocityGAN: Data-Driven Full-Waveform Inversion Using Conditional Adversarial Networks

Zhongping Zhang, Yue Wu+2 more|arXiv (Cornell University)|Sep 26, 2018

Seismic Imaging and Inversion Techniques参考文献 27被引用数 3

ひとこと要約

VelocityGAN は、条件付き生成対抗ネットワークを用いて、地震波形データをリアルタイムで地下速度画像にマッピングするデータ駆動型のフルウェーブフォームインバージョン手法である。データから正則化を学習し、トランスファーラーニングを採用することで、逆問題の精度と一般化性能が向上し、物理駆動型および既存のデータ駆動型手法を凌駕する。

ABSTRACT

Acoustic- and elastic-waveform inversion is an important and widely used method to reconstruct subsurface velocity image. Waveform inversion is a typical non-linear and ill-posed inverse problem. Existing physics-driven computational methods for solving waveform inversion suffer from the cycle skipping and local minima issues, and not to mention solving waveform inversion is computationally expensive. In recent years, data-driven methods become a promising way to solve the waveform inversion problem. However, most deep learning frameworks suffer from generalization and over-fitting issue. In this paper, we developed a real-time data-driven technique and we call it VelocityGAN, to accurately reconstruct subsurface velocities. Our VelocityGAN is built on a generative adversarial network (GAN) and trained end-to-end to learn a mapping function from the raw seismic waveform data to the velocity image. Different from other encoder-decoder based data-driven seismic waveform inversion approaches, our VelocityGAN learns regularization from data and further impose the regularization to the generator so that inversion accuracy is improved. We further develop a transfer learning strategy based on VelocityGAN to alleviate the generalization issue. A series of experiments are conducted on the synthetic seismic reflection data to evaluate the effectiveness, efficiency, and generalization of VelocityGAN. We not only compare it with existing physics-driven approaches and data-driven frameworks but also conduct several transfer learning experiments. The experiment results show that VelocityGAN achieves state-of-the-art performance among the baselines and can improve the generalization results to some extent.

研究の動機と目的

• 物理駆動型フルウェーブフォームインバージョンにおけるサイクルスキッピングおよび局所最適解の問題を解決すること。
• 既存のデータ駆動型地震インバージョンフレームワークにおける一般化と過学習の問題を克服すること。
• 地震データから正則化を学ぶエンドツーエンドのデータ駆動型逆問題技術を実現し、リアルタイムで動作すること。
• データ駆動型正則化を組み込んだ条件付き GAN アーキテクチャにより、逆問題の精度と頑健性を向上させること。
• 合成地震データを用いて、提案手法の有効性、効率性および一般化性能を評価すること。

提案手法

• VelocityGAN は、原始的な地震波形から地下速度画像への直接的なマッピングを学習するため、条件付き生成対抗ネットワーク（cGAN）を採用している。
• 生成器ネットワークは、対抗訓練によって学習されたデータ駆動型事前分布により正則化され、逆問題の精度が向上する。
• 識別器ネットワークは、実際の速度画像と生成器が生成した画像を区別することで、現実的で整合性のある速度構造の学習を促進する。
• 波形の忠実度を保持するために、対抗損失と再構成損失を組み合わせたエンドツーエンドの学習を実施する。
• 新しいデータセットに対してモデルを微調整するためのトランスファーラーニング戦略を導入し、異なる地下条件における一般化性能を向上させる。
• 性能と頑健性の妥当性を検証するため、合成地震反射データを用いてフレームワークを評価する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型 GAN を用いた手法は、従来の物理駆動型波形インバージョンよりも精度と効率性で優れているか？
• RQ2 GAN は効果的にデータ駆動型正則化を学び、逆問題の結果を改善できるか？
• RQ3 トランスファーラーニングは、データ駆動型地震インバージョンにおける一般化問題をどの程度軽減できるか？
• RQ4 提案手法は、高い精度を維持しながらリアルタイムでのインバージョンを達成できるか？
• RQ5 再構成品質と頑健性の観点から、VelocityGAN は既存のデータ駆動型および物理駆動型ベースラインと比較してどのように差をつけるか？

主な発見

• VelocityGAN は、合成地震データにおいて評価されたベースラインの中で、最先端の逆問題精度を達成した。
• 効果的なデータ駆動型正則化を学習することで、サイクルスキッピングおよび局所最適解の問題が顕著に軽減された。
• トランスファーラーニングにより一般化性能が向上し、未観測の地下モデルに対してもより良い結果が得られた。
• この手法はリアルタイムでのインバージョンを可能とし、従来の物理駆動型アプローチと比較して高い計算効率を示した。
• 対抗訓練のコンponent により、再構成された速度画像の現実性と構造的忠実度が向上した。
• 定量的評価では、既存手法と比較して、速度再構成における信号対雑音比と構造的類似度が優れていた。