Self-Flow-Matching支援による全波形反演（SFM-FWI）

要約: 全波形反演（FWI）は、高解像度の地震イメージング手法で、シミュレートされた波形と記録された波形を一致させることによって地下の速度を高解像度で推定します。しかし、FWI は高度に非線形で、サイクルスキッピングを起こしやすく、ノイズに敏感で、特に低周波が欠落している場合や初期モデルが不十分な場合には、取得条件が不完全だと失敗につながります。拡散正則化付きFWIは、地質学的に現実的なモデルを促す生成的事前分布を導入しますが、これらの事前分布は通常、コストのかかるオフライン事前学習を必要とし、分布シフトの下で劣化することがあります。さらに、それらはガウス初期化と固定されたノイズスケジュールを前提としており、決定論的なFWIのイテレートとその開始モデルを、定義された拡散時間またはノイズレベルへどう結びつけるかは不明確です。これらの制限に対処するために、Self-Flow-Matching 支援付き全波形反演（SFM-FWI）と呼ばれる、オフラインの大規模な事前学習を必要とせず、ノイズレベルの整合性の曖昧さを回避する物理駆動型フレームワークを導入します。SFM-FWI は、ガウス初期化や事前定義されたノイズスケジュールを仮定せず、フローマッチングを活用して輸送場を学習するため、初期モデルをダイナミクスの開始点として直接使用できます。私たちのアプローチは、支配方程式と観測データを用いて、単一のフロー網をオンラインで訓練します。外部ループの各反復で、補間モデルを構築し、FWI データの適合度をバックプロパゲーションしてフローを更新し、外部のトレーニングペアなしで自己監視を提供します。難解な合成ベンチマークでの実験は、SFM-FWI が標準的な FWI および事前学習不要の正則化手法よりも、より正確な再構成、ノイズ耐性の向上、より安定した収束を実現することを示しています。