DL-FWI 研究方向展望

摘要: 要在一个方向上做一系列研究, 需要画格子. 本贴用画格子的方式, 展望 DL-FWI 的研究方向.

问题 1: 做 DL-FWI 困难吗?
答: 对于 DL-FWI 这种研究方向而言, 科研约等于工程. 把问题写规范, 想个比较合理的直截了当的 idea, 几个深度学习构件中规中矩地结合在一起, 用一些标准数据集做实验, 在常用评价指标上进行比较, 最后套用论文模板, 用地球人都懂的语言描述出来, 一般都能发表. 一句话: 有手就行. 感觉困难, 只是因为自己的工程能力不够 (太懒导致).
问题 2: 一个小组那么多人做, idea 重复/冲突了怎么办?
本贴将列出 10 个方面, 每个方面又有很多的选择 (读其它文献还可以发现更多), 避免冲突, 简直不要太简单.

1. 输入数据

1.1 单道数据: 最简单的数据.
1.2 单炮数据: 容易获得.
1.3 多炮数据: 需要注意观测系统. OpenFWI 现在使用的多炮数据, 每一炮都覆盖了整个速度模型区域. 但实际情况是: 每炮范围覆盖了左右相同个数的检波点.
1.4 单 CMP 道集: 共中心点道集的最大优势在于, 由于测井数据的存在, 可以获得实际数据的标签. 与之相对, 共炮点道集的完整标签无法获得.
1.5 多 CMP 道集
1.6 叠前/叠后数据: 叠后数据相对容易处理, 但它已经改变了数据本身, 引入了一些误差.
1.7 动校正后道集、叠前偏移道集: 加一个原始道集和动校正后道集 (或者叠前偏移道集) 的对比. 使用处理后的道集做参数反演, 是目前实际生产的主流.
1.8 海洋数据: 可以只使用 (干净的) 初至波, 避免波的干涉导致的困难.

2. 输出结果（对应于处理/反演任务）

2.1 速度模型: 参见 [1].
2.2 反射系数: 参见 [4].
2.3 波阻抗
2.4 去噪后数据: 参见 [6].
2.5 插值后数据: 对就对数据缺失.
2.6 分辨率提升后数据: 有两种意义的分辨率提升, 不改变数据尺寸 (地球科学传统方式), 改变数据尺寸 (图像处理方式), 类似于插值, 参见 [2,3,5].
2.7 低频数据
2.8 储层数据: 把地震解释任务一起完成.

3. 评价指标

3.1 MAE: 逐点比较
3.2 MSE
3.3 SSIM: 结构相似系数, 以图像方式, 全局相似性
3.4 UIQ
3.5 LPIPS

4. 主要难点/痛点

4.1 反演结果中地层界面不连续
4.2 深层效果差
4.3 难于处理大规模速度模型
4.4 结果拼接效果差
4.5 未做动/静校正导致训练、测试数据观测系统不一致
4.6 人工合成速度模型不够真实
4.7 实际数据没有标签

5. 可用网络及组件

5.1 Encoder-decoder
5.2 UNet
5.3 RNN
5.4 LSTM
5.5 Transformer: 包括 Swin-Transformer
5.6 Dense block
5.7 KAN
5.8 GAN, VAE, DDPM

6. 损失函数

6.1 $L_1$
6.2 $L_2$
6.3 $L_1+L_2$
6.4 其它损失的组合
6.5 增加正则项

7. 正演方法

7.1 声波
7.2 弹性波
7.3 各项异性
7.4 正演之后加噪声
7.5 利用GPU正演, 也可能使用深度学习

8. 速度模型来源

8.1 OpenFWI: 大量小规模速度模型.
8.2 SEG-Salt
8.3 Marmousi: 大规模单个速度模型.
8.4 OverTrust
8.5 OpenFWI 与 Marmousi 的融合: 张星移正在做.
8.6 从实际数据反演获得: 2024 基金申请书的内容.

9. 学习范式

9.1 课程学习/自步学习: 从简单到复杂, 参见 [1].
9.2 无监督学习: 预训练, 需要大量数据. 分上游、下游任务.
9.3 半监督学习
9.4 主动学习: 人机交互, 标注出优秀/不合理的区域.
9.5 迁移学习: 2024 基金申请书的内容.
9.6 域自适应: 与一般迁移学习的区别在于, 目标域没有标签.
9.7 联邦学习: 数据不动模型动, 用于不同油田数据需要保密的场景, 适合于信息安全专业. 本质就是分布式学习.
9.8 深度先验: 将图像领域获得的先验直接使用, 参见 [2].

10. 任务分解

10.1 不分解: 直接的端到端, 最为简单. InversionNet 就使用这种方式.
10.2 并行任务: 如对速度模型的反演为主, 对边界 (contour)的反演为辅, 辅助任务起到约束的作用. 参见 [1,2].
10.3 分层学习 (也可看作平行任务): 浅层与深层 (也可以分为更多层) 分别学习, 不同结果的叠加是一个核心问题.
10.4 串行任务: 对应于常规方法的几个阶段. 每个任务可以单独训练网络, 这导致良好的可解释性、泛化性. 层位界定 $\to$ 层内反演.
10.5 多分辨率学习 (也可看作串行任务): 从低分辨率逐步过渡到高分辨率.

参考文献:
[1] Xing-Yi Zhang, Fan Min, Shulin Pan, Qiong Xu, Xue-Yang Min, Guojie Song, Ke Wang. DD-Net: Dual decoder network with curriculum learning for full waveform inversion. IEEE Transactions on Geoscience and Remote Sensing. 62(2024)1–17.download link
[2] Fan Min, Linrong Wang, Shulin Pan, Guojie Song. D2UNet: Dual decoder U-Net for seismic image super-resolution reconstruction. IEEE Transactions on Geoscience and Remote Sensing. 61(2023)1–13. download link
[3] Fan Min, Linrong Wang, Shulin Pan, Guojie Song. Fast convex set projection with deep prior for seismic interpolation. Expert Systems with Applications. 213(2023)119256. download link
[4] Fan Min, Jinyu Tang, Shulin Pan, Guojie Song. CAUC: Combining Channel Attention U-Net and Convolution for Seismic Data Resolution Improvement. IEEE Geoscience and Remote Sensing Letters. 20(2023)3003105. download link
[5] Dou Zeng, Qiong Xu, Shulin Pan, Guojie Song, Fan Min. Seismic image super-resolution reconstruction through deep feature mining network. Applied Intelligence. 53 (2023) 21875–21890. dowload link
[6] Lei Gao, Housen Shen, Fan Min. Swin Transformer for simultaneous denoising and interpolation of seismic data. Computers & Geosciences. 183(2024)105510. dowload link