[论文解读] 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 58

一句话总结

该论文使用语义修补（semantic inpainting）与GANs生成符合稀疏物理测量且能捕捉模式变异性的真实地质实现。

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.

研究动机与目标

• 在给定稀疏物理测量的情况下，阐明需要现实的地下模型。
• 提出一种基于GAN的语义修复框架，以在测量条件下生成多种地质实现。
• 证明该方法可随数据扩展，并捕捉到模式分布而非单一实现。
• 展示其在地质之外的适用性，例如对卫星影像及其他地理空间数据的应用。

提出的方法

• 在二值河道模式图像分布上训练 DC-GAN，以学习 p_fluvial(z)。
• 将条件表示为先验损失 Lp(z)=log(1−D(G(z)))。
• 用上下文损失 Lc 表示对已知像素的条件，并通过扩展的掩码和数值来在空间上传播约束。
• 最小化总损失 L(z)=L̃c(z|y,M)+λLp(z)，以获得符合测量并看起来真实的实现。
• 通过随机初始化 z 并将每一个优化到 L(z) 的不同局部极小值来生成多种实现。
• 可选地通过在 Landsat 派生数据上进行训练并以陆地/水域标签为条件，将该框架应用于卫星图像。

实验结果

研究问题

• RQ1 基于GAN的语义修补方法是否能够生成符合稀疏测量的现实地质实现？
• RQ2 对物理测量的条件是否可以扩展到大量数据点，并仍然产生连贯且多样的实现？
• RQ3 与基于训练图像的现有方法（如 snesim）在真实感和连贯性方面，所提出的方法有何比较？
• RQ4 该方法是否可以推广到其他地理空间数据，如卫星影像？

主要发现

• 有条件的样本具有真实感和连贯性，在各种条件密度下对测量进行遵循。
• 该方法产生的样本与最先进方法相比具有竞争力，同时在通道连通性和多样性方面比某些基线更真实。
• 增加测量数量并不一定降低真实感；该方法可以处理大规模的条件集合。
• 潜在空间遍历显示出平滑变化和数据流形的覆盖，表明学习到的模式变异性。
• 将该方法应用于 Landsat 卫星数据，可得到令人信服的陆地/水域模式的条件实现。