arXiv cs.AI· Shijun Cheng, Randy Harsuko, Mohammad H. Taufik, Tariq Alkhalifah·· 3 天前AI 评分18
基于 2D 生成扩散模型的深度渐进式 3D 地震速度模型构建
Depth-progressive 3D seismic velocity model building via 2D generative diffusion models
AI 导读
研究者提出深度渐进框架，通过"深度即通道"的表述，用 2D 生成扩散模型完成 3D 速度模型构建（VMB）：将每个 3D 速度体的深度维映射到 2D U-Net 的通道维，由浅至深依次合成重叠深度块，并以浅层预测和井日志等地球物理约束作为条件。
正文 · AI 翻译
摘要：三维（3D）速度模型构建（VMB）在传统方法和原生 3D 神经网络下仍然面临计算挑战，主要原因是完整 3D 公式所需的内存和训练成本过高。因此，我们引入了一种深度渐进式框架，通过深度即通道的公式化方法，使用 2D 生成扩散模型实现 3D VMB，其中每个 3D 速度块的深度维度被映射到 2D U-Net 的通道维度。这使得模型能够从浅到深依次合成重叠的深度块，同时将较深块的预测条件建立在较浅块以及任何可用的地球物理约束（包括测井曲线和构造属性）之上。在训练过程中，使用具有随机重叠的成对浅-深块对来教导网络较深速度结构与较浅信息之间的关系，而无分类器引导策略使模型能够优雅地处理缺失的约束。在推理时，从浅层速度先验开始，模型以自顶向下的方式递归生成更深的块，而深度衰减高斯混合方案将重叠预测合并为空间连贯的 3D 体，同时考虑到更大深度处不确定性的逐步累积。在分布内基准模型（包括 Overthrust、SEAM Arid 和 SEG/EAGE）以及分布外 Marmousi 模型上的数值实验表明，该方法有效地将浅层速度先验向下传播，并在各种地质环境和条件场景下生成高质量的 3D 速度体。与等效架构的 3D 基准相比，所提出的方法显著减少了参数数量、训练成本和推理成本，同时保持了更优的 VMB 精度。
| 学科： | 地球物理学（physics.geo-ph）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.14812 [physics.geo-ph] |
| （或 arXiv:2610.14812v1 [physics.geo-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14812 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shijun Cheng [查看电子邮件]
[v1]
2026年10月10日星期六 11:09:52 UTC（12,524 KB）
来源：arXiv cs.AI · arxiv.org