深度対応クロスアテンションによる音響ボアホール画像の弱教師ありマルチモーダルセグメンテーション

概要: 音響ボアホール画像は高解像度のボアホール壁構造を提供しますが、密な専門家による注釈がほとんど利用できないこと、そして地下情報が本質的に多様なモダリティを持つことにより、大規模な解釈は依然として困難です。課題は、2次元画像のテクスチャと深度整合した1次元ウエルログを組み合わせる弱教師あり手法を開発することです。ここでは、学習モデルによってしきい値ガイドの疑似ラベルを洗練（リファイン）する、弱教師ありマルチモーダルセグメンテーションの枠組みを提案します。これにより、古典的なしきい値処理およびクラスタリングのワークフローが持つ「注釈不要」の性質を保持しつつ、ノイズ除去、信頼度を考慮した疑似教師、そして物理的に構造化された融合によって拡張します。しきい値ガイド付きの学習による洗練が、生のしきい値処理、ノイズ除去付きしきい値処理、潜在クラスタリングのベースラインに比べて最も頑健に改善をもたらすことを示します。マルチモーダルの性能は融合戦略に強く依存します。直接連結は得られる改善が限定的である一方、深度を意識したクロスアテンション、ゲート付き融合、信頼度を考慮したモジュレーションは、弱教師の参照に対する一致度を大幅に高めます。最も強力なモデルである信頼度ゲート付き深度対応クロスアテンション（CG-DCA）は、一貫して、しきい値ベース、画像のみ、そしてそれ以前のマルチモーダル基準を上回ります。対象を絞ったアブレーションにより、その優位性はモデルの複雑さだけではなく、信頼度を考慮した融合および構造化された局所的な深度相互作用に特化して依存することが示されます。ボアホール間（cross-well）の分析により、この性能が広く安定していることも確認できます。これらの結果は、注釈不要のセグメンテーションに対して実用的でスケーラブルな枠組みを確立するものであり、マルチモーダルな改善は、補助ログを選択的に組み込み、かつ深度を意識したときに最大化されることを示しています。