[논문 리뷰] Travel time tomography with adaptive dictionaries

Michael J. Bianco, Peter Gerstoft|arXiv (Cornell University)|2017. 12. 16.

Numerical methods in inverse problems참고 문헌 7인용 수 5

한 줄 요약

이 논문은 국소적 희소성과 함께 적응형 사전 학습을 통합한 2D 지반 역학 역설계 방법인 국소적 희소성 여행 시간 토모그래피(LST)를 제안한다. 이 방법은 슬로우니스 패치의 희소 정규화와 전역적 $\beta$-정규화를 동시에 적용하여 부드럽고 비연속적인 지하 구조를 동시에 모델링한다. 데이터에 적합한 사전을 학습하고 최대 사후 확률 최적화를 통해, 비균일한 사라진 레이에 의한 노이즈가 있는 합성 슬로우니스 지도를 재구성하는 데 있어 기존의 스무딩 및 총 변동성 방법보다 뛰어난 성능을 발휘한다.

ABSTRACT

We develop a 2D travel time tomography method which regularizes the inversion by modeling groups of slowness pixels from discrete slowness maps, called patches, as sparse linear combinations of atoms from a dictionary. We propose to use dictionary learning during the inversion to adapt dictionaries to specific slowness maps. This patch regularization, called the local model, is integrated into the overall slowness map, called the global model. The local model considers small-scale variations using a sparsity constraint and the global model considers larger-scale features constrained using $\ell_2$ regularization. This strategy in a locally-sparse travel time tomography (LST) approach enables simultaneous modeling of smooth and discontinuous slowness features. This is in contrast to conventional tomography methods, which constrain models to be exclusively smooth or discontinuous. We develop a $ extit{maximum a posteriori}$ formulation for LST and exploit the sparsity of slowness patches using dictionary learning. The LST approach compares favorably with smoothness and total variation regularization methods on densely, but irregularly sampled synthetic slowness maps.

연구 동기 및 목표

• 기존 여행 시간 토모그래피가 부드러움 또는 비연속성 중 하나만 강제로 강조하는 한계를 해결하기 위해, 둘 다 동시에 모델링할 수 있도록 하는 것.
• 비균일한 레이 샘플링과 노이즈가 있는 데이터에서 과도하게 해석되지 않는 문제를 해결하기 위해 局소적 희소성과 전역 정규화를 통합함으로써 역설계 정확도를 향상시키는 것.
• 특정 슬로우니스 지도에 맞게 희소 표현을 조정하는 데이터 적응형 사전 학습 프레임워크를 개발하는 것.
• 국소적 희소성 모델링과 적응형 사전가 사용할 경우 일반 사전, 스무딩, 총 변동성 정규화보다 우수한 성능을 내는지 입증하는 것.

제안 방법

• 이 방법은 전역-국소 하이브리드 모델을 수립한다: 전역 모델은 $\ell_2$ 정규화를 사용해 큰 스케일의 슬로우니스 경향을 포착하고, 국소 모델은 적응형 사전를 통해 작은 패치에서 희소성을 강제한다.
• 슬로우니스 패치는 학습된 사전의 원소들에 대한 희소 선형 조합으로 표현되며, 원소는 반복적 임계처리 및 부호가 있는 K-평균(이하 ITKM) 알고리즘을 통해 업데이트된다.
• 최대 사후 확률(MAP) 설정은 데이터 불일치, 전역 $\ell_2$ 정규화, 그리고 학습된 사전를 사용한 국소 희소 정규화를 통합한다.
• 사전 학습은 반복적으로 수행되며, 먼저 각 패치와의 내적 절댓값이 가장 큰 $T$개의 원소를 식별하고, 단위 노름 제약 조건 하에 라그랑주 최적화를 통해 원소를 업데이트한다.
• 알고리즘은 희소 코딩(계수 결정)과 사전 업데이트(원소 정밀화)를 번갈아 수행하며, 여행 시간 및 슬로우니스의 RMSE를 모니터링하여 수렴 여부를 확인한다.
• 이 방법은 2% 가우시안 여행 시간 오차 하에서 체스보드 및 부드럽고 비연속적인 슬로우니스 지도를 가진 합성 2D 표면파 토모그래피 문제에 적용되었다.

실험 결과

연구 질문

• RQ1 고정 사전나 전역 정규화 방법과 비교할 때, 적응형 사전 학습이 2D 여행 시간 토모그래피에서 부드럽고 비연속적인 특징의 재구성에 어떻게 향상되는가?
• RQ2 노이즈가 있고 비균일한 레이 샘플링 조건에서, 적응형 사전를 사용한 국소적 희소 모델이 기존 스무딩 및 총 변동성 정규화 방법보다 슬로우니스 재구성 정확도에서 어떻게 비교되는가?
• RQ3 지역 특성에 맞는 사전 학습이 웨이브렛과 같은 일반 사전보다 성능 향상에 얼마나 기여하는가?
• RQ4 희소성 수준 $T$와 정규화 파라미터가 LST 역설계의 수렴성과 정확도에 미치는 영향은 어떠한가?

주요 결과

• LST는 2% 여행 시간 오차 조건 하에서 노이즈가 있는 여행 시간 데이터 100회 실현에 대해 기존 방법과 총 변동성 방법보다 낮은 평균 슬로우니스 RMSE를 기록했으며, 체스보드 및 부드럽고 비연속적인 합성 지도 모두에서 일관된 향상이 관찰되었다.
• LST는 기존 토모그래피 대비 최대 30%의 슬로우니스 RMSE 감소를 기록했고, TV 정규화 대비 최대 20%의 감소를 기록했다.
• 사전 학습은 재구성 정확도를 크게 향상시켰다: 적응형 사전를 사용한 LST는 고정된 웨이브렛 사전를 사용한 LST보다 날카운 비연속성을 더 잘 해석했다.
• LST 알고리즘의 수렴은 안정적이었으며, 여행 시간 RMSE가 반복 과정 동안 단조롭게 감소함으로써 안정적인 최적화가 이루어졌음을 시사했다.
• 이 방법은 국소적 희소성과 전역적 부드러움을 효과적으로 균형 잡아, 슬로우니스 필드 내의 미세 구조적 비연속성과 큰 스케일 경향을 모두 유지했다.
• 성능 향상은 비균일한 레이 커버리지 영역에서 가장 두드러졌다. 이 영역에서는 기존 방법과 TV 방법이 흐림 또는 진동 잔상(링잉 아티팩트)을 보였다.