论文笔记: 全波形反演的无监督学习: 将 CNN 与偏微分方程做成一个环

摘要: 分享对论文的理解, 原文见 Peng Jin, Xitong Zhang, Yinpeng Chen, Sharon Xiaolei Huang, Zicheng Liu, Youzuo Lin, Unsupervised learning of full-waveform inversion: connecting CNN and partial differential equation in a loop.
论文发表于计算机方面的顶会 ICLR.

1. 论文贡献

• 提出一种无监督的 FWI 网络. 其实说 “无监督” 有些牵强, 因为它的监督信息 (速度模型) 通过正演获得的数据, 与原始数据之间可以计算损失.
• 做了一个数据集 OpenFWI, 在另一篇论文里面专门介绍. 对于这个方向的研究人员非常重要.

2. 论文工作

图 1. 方法框架

• 反演用 CNN
• 正演用 PDE

2.1 正演模型

$${\nabla }^{2}p(\mathbf{r},t)-\frac{1}{v(\mathbf{r}{)}^2}\frac{{\partial }^{2}p(\mathbf{r},t)}{\partial t^2}=s(\mathbf{r},t)\text{\hspace{1em}(1)}$$
其中 $p(\mathbf{r},t)$ 是在 $t$ 时刻, 位置 $\mathbf{r}$ 的压力波场, $v(\mathbf{r})$ 是速度图, $s(\mathbf{r},t)$ 为源项.
正演过程为
$$\tilde{\mathbf{p}}=f(\hat{\mathbf{v}})\text{\hspace{1em}(2)}$$
标准的有限差分法
$$\frac{{\partial }^{2}p(\mathbf{r},t)}{\partial t^2}\approx \frac{1}{(\Delta t{)}^2}\left(p_{\mathbf{r}}^{t+1}-2p_{\mathbf{r}}^t+p_{\mathbf{r}}^{t-1}\right)+O((\Delta t{)}^2)\text{\hspace{1em}(5)}$$
其中 $p_{\mathbf{r}}^t$ 表示 $t$ 时刻的波场, $p_{\mathbf{r}}^{t+1}$ 表示 $t+\Delta t$ 时间的. $O$ 表示同阶, 相应的数据被丢掉了.

根据链式法则, 可以计算损失 $\mathcal{L}$ 对应对速度的梯度
$$\frac{\partial \mathcal{L}}{\partial v(\mathbf{r})}=\sum _{t=0}^T\left[\frac{\partial L}{\partial p(\mathbf{r},t)}\right]\frac{\partial p(\mathbf{r},t)}{\partial v(\mathbf{r})}\text{\hspace{1em}(7)}$$

2.2 反演损失函数

$$\mathcal{L}(\mathbf{p},\tilde{\mathbf{p}})={\mathcal{L}}_{\text{pixel}}(\mathbf{p},\tilde{\mathbf{p}})+{\mathcal{L}}_{\text{perceptual}}(\mathbf{p},\tilde{\mathbf{p}})\text{\hspace{1em}(8)}$$
其中 $\mathbf{p}$ 和 $\tilde{\mathbf{p}}$ 分别表示输入与重构的地震波数据.
可以用 $l_1$ 与 $l_2$ 范数的加权和来定义像素损失
$${\mathcal{L}}_{\text{pixel}}(\mathbf{p},\tilde{\mathbf{p}})={\lambda }_1{l}_1(\mathbf{p},\tilde{\mathbf{p}})+{\lambda }_2{l}_2(\mathbf{p},\tilde{\mathbf{p}})\text{\hspace{1em}(9)}$$
$${\mathcal{L}}_{\text{perceptual}}(\mathbf{p},\tilde{\mathbf{p}})={\lambda }_3{l}_1(\varphi (\mathbf{p}),\varphi (\tilde{\mathbf{p}}))+{\lambda }_4{l}_2(\varphi (\mathbf{p}),\varphi (\tilde{\mathbf{p}}))\text{\hspace{1em}(9)}$$
其中 $\varphi (\cdot )$ 表示使用 ImageNet 训练的 VGG-16 特征提取网络.

3. 相关工作

• 物理驱动
• 数据驱动

4. 小结

正反演, 两条腿走路.