【论文阅读】DD-Net

目录论文概述1. 论文摘要2. 研究背景3. 研究方法4. 研究结论5. 未来展望今天读一下《DD-Net: Dual Decoder Network With Curriculum Learning for Full Waveform Inversion》这篇论文主要解决了 DL-FWI 中地层边界重建不清晰、训练过程缺乏有效控制及泛化能力不足的问题提出了结合双解码器、课程学习和前置维度压缩器的 DD-Net实验表明该方法在 SEG 和 OpenFWI 数据集上总体优于对比模型并改善了边界重建、拟合与泛化表现。论文概述本文针对端到端 DL-FWI 中的网络设计、训练过程和泛化问题提出了 DD-Net。该网络使用共享编码器和两个解码器分别预测速度值与地层边界并通过 MSE 和交叉熵联合训练。作者进一步设计了失真单炮、正常单炮、完整多炮的 DSM 课程学习顺序并提出前置维度压缩器以处理低分辨率炮集。SEG 盐丘和四个 OpenFWI 数据集的实验表明该方法在大多数指标上优于 FCNVMB 和 InversionNet消融实验也支持双解码器与课程学习的有效性。1. 论文摘要提出 DD-Net带课程学习的双解码器网络用于全波形反演FWI引入由易到难的课程学习并利用维度压缩模块适配低分辨率地震数据。在 SEG 盐丘和 OpenFWI 数据集上总体优于作者选取的对比模型。2. 研究背景传统 FWI计算成本高严重依赖初始速度模型。DL-FWI推理速度快不需要初始模型。但仍存在三个主要问题网络结构需要改进边界反演粗糙训练过程缺乏有效控制跨数据分布泛化能力不足。3. 研究方法双解码器网络这个 DD-Net 中的 Dual Decoder 双解码器的双指的就是就是一个预测速度一个预测地层边界主解码器预测速度模型mse 损失辅助解码器预测 Canny 提取的地层边界交叉熵损失。课程学习失真单炮数据 D正常单炮数据 S完整多炮数据 M按照D→S→M顺序训练。维度压缩DD-Net70 使用前置卷积模块处理1000×70地震数据。验证方式对比 FCNVMB / InversionNet4 个指标mse/MAE/UIQ/LPIPS消融实验。4. 研究结论双解码器能够提高地层边界的清晰度和连续性。课程学习能够改善网络收敛、迁移训练和一定程度的泛化能力。前置降维器有效适配低分辨率数据且不损失性能。DD-Net 在作者实验的大多数指标上优于对比模型。仍存在曲线边界附近的阴影伪影深部速度不稳定面对未见地质结构时产生错误预测。5. 未来展望引入地震数据的特征嵌入提高特征提取能力。设计更丰富的课程任务以及自动难度评估器和训练调度器。融合波动方程等物理先验减少不合理的反演结果。