[논문 리뷰] Generating Realistic Geology Conditioned on Physical Measurements with Generative Adversarial Networks

Emilien Dupont, Tuanfeng Zhang외 3명|arXiv (Cornell University)|2018. 02. 08.

Generative Adversarial Networks and Image Synthesis참고 문헌 15인용 수 58

한 줄 요약

이 논문은 GAN을 이용한 시맨틱 인페인팅으로 희소한 물리적 측정을 존중하고 패턴 가변성을 포착하는 현실적인 지질 구현을 생성한다.

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.

연구 동기 및 목표

• 희소한 물리적 측정값을 고려할 때 현실적인 지하 모델의 필요성을 제시한다.
• 측정값에 조건화된 지질의 여러 구현을 생성하기 위한 GAN 기반 시맨틱 인페인팅 프레임워크를 제안한다.
• 데이터 확장에 따라 방법이 확장되고 단일 구현이 아닌 패턴의 분포를 포착한다는 것을 보여준다.
• 지질학을 넘어 위성 이미지 및 기타 지리공간 데이터에 대한 적용 가능성을 보인다.

제안 방법

• 이진 하천 흐름 패턴 이미지의 분포에서 DC-GAN을 훈련시켜 p_fluvial(z)를 학습한다.
• 조건화를 Lp(z)=log(1−D(G(z)))로 표현한다.
• 알려진 픽셀에 대한 조건화를 Lc로 표현하고, 확장된 마스크와 값으로 제약을 공간적으로 전파하도록 확장된 컨텍스트 손실로 표현한다.
• 측정을 존중하고 현실적으로 보이도록 총 손실 L(z)=L̃c(z|y,M)+λLp(z)를 최소화한다.
• z를 임의로 초기화하고 각기 다른 L(z)의 지역적 최저점으로 최적화하여 다중 구현을 생성한다.
• Landsat 파생 데이터를 학습하고 육지/물 라벨로 조건화하여 위성 이미지에 프레임워크를 선택적으로 적용한다.

실험 결과

연구 질문

• RQ1 GAN 기반의 시맨틱 인페인팅 접근법이 희소한 측정을 존중하는 현실적인 지질 구현을 생성할 수 있는가?
• RQ2 물리적 측정에 대한 조건화가 많은 데이터 포인트로 확장되어도 일관되고 다양한 구현을 생성할 수 있는가?
• RQ3 제안된 방법이 현실성 및 일관성 측면에서 snesim과 같은 기존의 학습 이미지 기반 방법과 어떻게 비교되는가?
• RQ4 위성 이미지와 같은 다른 지리공간 데이터에 이 접근법이 일반화될 수 있는가?

주요 결과

• 조건부 샘플은 다양한 조건 밀도에서 측정을 존중하며 현실적이고 일관됩니다.
• 이 방법은 최첨단과 경쟁하는 샘플을 생성하면서도 일부 베이스라인에서 결여된 현실적인 채널 연결성과 다양성을 제공합니다.
• 측정값의 증가가 반드시 현실성을 저하시킴은 아니며, 이 방법은 대형 조건 집합을 처리할 수 있습니다.
• 잠재 공간의 트래버설은 부드러운 변화와 데이터 매니폴드의 커버리지를 보여주며 학습된 패턴 가변성을 나타냅니다.
• Landsat 위성 데이터에 적용하면 육지/물 패턴의 조건부 구현이 설득력 있게 만들어집니다.