[论文解读] InversionNet: A Real-Time and Accurate Full Waveform Inversion with CNNs and continuous CRFs

Yue Wu, Youzuo Lin|arXiv (Cornell University)|Oct 26, 2018

Seismic Imaging and Inversion Techniques参考文献 22被引用 31

一句话总结

InversionNet 提出了一种基于 CNN 编码器-解码器架构并结合连续条件随机场（CRF）的实时、高精度全波形反演方法，通过端到端学习从地震数据到地下速度结构的逆映射，避免了迭代优化。与传统 FWI 相比，该方法在计算时间上显著减少，精度更高，且通过 CRF 正则化在断层和边界附近显著降低了伪影。

ABSTRACT

Full-waveform inversion problems are usually formulated as optimization problems, where the forward-wave propagation operator $f$ maps the subsurface velocity structures to seismic signals. The existing computational methods for solving full-waveform inversion are not only computationally expensive, but also yields low-resolution results because of the ill-posedness and cycle skipping issues of full-waveform inversion. To resolve those issues, we employ machine-learning techniques to solve the full-waveform inversion. Specifically, we focus on applying the convolutional neural network~(CNN) to directly derive the inversion operator $f^{-1}$ so that the velocity structure can be obtained without knowing the forward operator $f$. We build a convolutional neural network with an encoder-decoder structure to model the correspondence from seismic data to subsurface velocity structures. Furthermore, we employ the conditional random field~(CRF) on top of the CNN to generate structural predictions by modeling the interactions between different locations on the velocity model. Our numerical examples using synthetic seismic reflection data show that the propose CNN-CRF model significantly improve the accuracy of the velocity inversion while the computational time is reduced.

研究动机与目标

• 解决传统全波形反演（FWI）方法计算成本高和病态性的问题。
• 开发一种数据驱动的方法，通过直接从地震数据学习到地下速度模型的逆映射，绕过迭代优化过程。
• 通过引入条件随机场（CRF）的结构先验，提升反演精度和分辨率，特别是在地质边界和断层附近。
• 增强对噪声的鲁棒性，并提升对训练数据中未见的速度结构的泛化能力。

提出的方法

• 采用 U-Net 风格的编码器-解码器卷积神经网络（CNN），用于学习从地震数据到地下速度模型的映射。
• 编码器通过多层卷积层处理地震记录，提取分层特征；解码器则对特征图进行上采样，以重建速度模型。
• 在 CNN 输出之上应用局部连接的连续 CRF，以建模空间依赖性，并在结构边界和断层处优化速度值。
• CRF 强制速度预测在局部保持一致性，减少反演伪影并提升结构保真度。
• 使用合成地震反射数据进行端到端训练，以真实速度模型作为监督目标。
• 推理过程中无需求解波动方程，从而实现实时反演。

实验结果

研究问题

• RQ1 深度学习模型能否在不进行迭代优化的情况下，学习到全波形反演的准确且高效的逆算子？
• RQ2 连续 CRF 的集成在多大程度上提升了速度重建的结构准确性，特别是在断层和边界附近？
• RQ3 该模型在地震数据中存在加性高斯噪声时的鲁棒性如何？
• RQ4 该模型能否泛化到训练数据中未出现的地质特征（如多条断层、平滑速度变化）的速度模型？

主要发现

• 与仅使用 CNN 的基线模型相比，CNN-CRF 模型在同质区域中伪影更少，断层结构的辨识度更高，反演精度显著提升。
• 在不同信噪比（SNR）条件下，反演结果的平均绝对误差（MAE）保持稳定，SNR 从 15 dB 到 30 dB 时，MAE 值为 68.49–70.30 m/s，表明对噪声具有强鲁棒性。
• 模型在未包含断层的训练数据下仍能良好泛化，对具有三层或四层结构的速度模型可生成合理重建结果。
• 模型成功重建了具有多条断层的速度模型，尽管断层几何形状和速度对比度略有退化。
• 模型能准确捕捉分层模型中随深度逐渐增加的平滑速度变化，表明其对非恒定速度层具有良好的泛化能力。
• 与传统 FWI 相比，计算时间大幅减少，实现实时反演的同时保持高精度。