shengMio的博客

原创 论文阅读：两篇VelocityGAN应用于FWI

—源自：VelocityGAN: Subsurface Velocity Image Estimation Using Conditional Adversarial Networks痛点：100×100150×10010−4实验结果：从定量指标、效果图、剖面图进行分析，证明了VelocityGAN在捕捉全局和局部地质特征方面，能够对速度图像进行更精确的重建。

原创 论文阅读：基于超分辨率生成对抗网络与残差网络的地震波时空多尺度全波形反演

——基于超分辨率生成对抗网络与残差网络的地震波时空多尺度全波形反演全波形反演（FWI）是估算地下模型参数的一种流行方法，通常采用频率多尺度串行反演策略以达到所需的分辨率。然而，这种方法计算成本高，并且由于速度模型的分辨率依赖于频率，通常会产生不精确的结果。为了提高FWI的效率和准确性，本研究引入了一种基于深度学习的改进型空间多尺度串行高分辨率反演策略。该策略首先利用粗网格进行低频反演以捕捉地下总体结构，然后随着反演频率的增加，采用超分辨率生成对抗网络（SRGAN）将粗网格数据映射到细网格上，从而实现无损数据

原创 周报——2023.3.9-3.15

论文方面：撰写方法部分和实验设置部分；实验方面：调整跳跃连接；

原创 周报——2026.3.2-3.8

—解决办法：公式和字体的高度不一致，全选后将位置选择标准；间隔仍不对的公式处，选择段落，取消勾选“如果定义了文档网格，则自动调整右缩进” 和 “如果定义了文档网格，则对齐到网格”Word 中 mathtype 公式显示异常 | 字号大小不一致 / 位置偏上偏下。选择布局->栏->更多栏 ，选择一栏，插入点之后；在图片后重复第三步操作，选择两栏，插入点之后即可。word双栏排版插入单栏图片/表格？首先将光标移动到在要插入图片的位置；——选中表格，点击布局-栏-一栏。选择布局->分隔符->连续；

原创 周报——2026.1.26-2.1

原创 周报——2026.1.19-1.25

DL-FWI。

原创 论文：A new method based onmultiresolution graph-based clustering for lithofacies analysis of well log

基于多分辨率图聚类的测井岩相分析新方法——KMRGC

原创 论文学习：Source-independent time-domain waveform inversion using convolved wavefields

使用卷积波场的独立震源时域波形反演

原创 论文学习：Prediction of Low-Frequency Seismic Data Without Relying on Wavelet Using Deep Learning

利用交叉卷积来近似统一真实和模拟训练地震数据的子波。

原创 跑SEG时遇到的问题以及总结

跑SEG出现的问题

原创 论文写作总结

论文写作总结

原创 2024 8.5~8.18

实验、修改代码、论文、视频学习

原创 DenseNet模型讲解

DenseNet网络讲解

原创 2024 7.29~8.4 周报

修改论文摘要和引言

原创 2024 7.22~7.28周报

完成论文初稿，除实验部分

原创 2024 7.15~7.21 周报

实验、论文学习、写论文摘要和网络架构

原创 2024 7.8~7.14 周报

跑实验、机器学习、数学表达式

原创 2024 7.1~7.7 周报

跑实验（未完成）、机器学习、看师兄论文

原创 2024 6.24~6.30 周报

机器学习，同时思考实验如何修改。

原创 2024 6.17~6.23 周报

吴恩达的机器学习、实验-回顾之前密集连接部分。

原创 2024 6.10~6.16 周报

机器学习1-20，数学表达式，分阶段反演

原创 论文学习D2UNet：用于地震图像超分辨率重建的双解码器U-Net

D2UNet：用于地震图像超分辨率重建的双解码器U-Net

原创 2024 3.23~3.29周报

加入密集连接进行实验跑代码，使用curvevel-a跑InversionNet

原创 2024 3.16~3.22 周报

密集块，研读SVInvNet

原创 2024 2.24~3.1 周报

研读《DD-Net》，使用OpenFWI中的不同数据集跑代码

原创 Python入门学习——判断语句

判断语句

原创 2024 2.17~2.23 周报

学习如何缝合模块，跑代码InversionNet、想idea并实验，准备开题报告，学习python基础语法。

原创 Python入门学习——基础语法

python基础语法

原创 2024 1.27~2.2 周报——Transformer

解码器的输出是一个 float 向量。我们怎么把这个向量转换为一个词呢？通过一个线性层再加上一个 Softmax 层实现。线性层是一个简单的全连接神经网络，其将解码器的输出向量映射到一个更长的向量，这个向量被称为 logits 向量。现在假设我们的模型有 10000 个英文单词（模型的输出词汇表）。因此 logits 向量的宽度变为 10000 个单元，每个单元对应各个单词的得分。然后，Softmax 层会把这些分数转换为概率（把所有的分数转换为正数，并且加起来等于 1）。

原创 2024 1.20~1.26周报

继续研读论文U-MixFormer: UNet-like Transformer with Mix-Attention for Efficient Semantic Segmentation

原创 开题报告记录

本科毕设开题报告记录

原创 2024 1.13~1.19 周报

注意力模块

原创 2024 1.6~1.12 周报

数据训练的方式、卷积神经网络

原创 2023 12.23 ~ 2024 1.5 周报

Deep learning unflooding for robust subsalt waveform inversion

原创 2023 12.16～12.22 周报

Deep learning unflooding for robust subsalt waveform inversion论文研读

原创 2023 12.9~12.15

InversionNet test部分

原创 2023 12.2~12.8 周报

损失函数、tensorboard、优化器

原创 2023 11.25~12.1 周报

OpenFWI中train.py部分的学习

原创 OpenFWI 论文研读

OPENFWI: Large-scale Multi-structural Benchmark Datasets for Full Waveform Inversion

原创 FCNVMB_paper_with_code1代码部分解释

FCNVMB代码