[论文解读] 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 3

一句话总结

VelocityGAN 是一种基于数据的全波形反演方法，利用条件生成对抗网络，实现实时将地震波形数据映射为地下速度图像。通过从数据中学习正则化并采用迁移学习，该方法在提升反演精度和泛化能力方面优于基于物理模型和现有基于数据的方法。

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.

研究动机与目标

• 解决基于物理模型的全波形反演中的周期性跳变和局部极小值问题。
• 克服现有基于数据的地震反演框架中的泛化和过拟合问题。
• 开发一种实时、端到端的基于数据的反演技术，从地震数据中学习正则化。
• 通过基于条件 GAN 的架构和数据驱动正则化，提升反演精度和鲁棒性。
• 在合成地震数据上评估所提方法的有效性、效率和泛化能力。

提出的方法

• VelocityGAN 采用条件生成对抗网络（cGAN）学习从原始地震波形到地下速度图像的直接映射。
• 生成器网络通过对抗训练学习到的数据驱动先验进行正则化，从而提升反演精度。
• 判别器网络用于区分真实速度图像与生成器生成的速度图像，以强制学习逼真的速度结构。
• 模型通过联合对抗损失和重建损失进行端到端训练，以保持波形保真度。
• 引入迁移学习策略，对新数据集进行微调，提升在不同地下条件下的泛化能力。
• 在合成地震反射数据上评估该框架，以验证性能和鲁棒性。

实验结果

研究问题

• RQ1 基于数据的 GAN 方法是否能在精度和效率上超越传统的基于物理模型的波形反演？
• RQ2 GAN 能在多大程度上有效学习并应用数据驱动正则化以改善反演结果？
• RQ3 迁移学习在多大程度上缓解了基于数据的地震反演中的泛化问题？
• RQ4 所提方法是否能在保持高精度的同时实现实时反演性能？
• RQ5 在重建质量与鲁棒性方面，VelocityGAN 与现有基于数据和基于物理的基线方法相比表现如何？

主要发现

• 在合成地震数据上，VelocityGAN 在所评估的基线方法中实现了最先进的反演精度。
• 通过学习有效的数据驱动正则化，该模型显著减少了周期性跳变和局部极小值问题。
• 迁移学习提升了泛化性能，使模型在未见过的地下模型上也能获得更好结果。
• 该方法实现了实时反演，与传统基于物理模型的方法相比表现出更高的计算效率。
• 对抗训练组件提升了重建速度图像的真实感和结构保真度。
• 定量结果表明，与现有方法相比，VelocityGAN 在速度重建中具有更高的信噪比和结构相似性。