Decoupled Latent Optimization of Diffusion Models for Full Waveform Inversion

📄 arXiv: 2606.14139v1 📥 PDF

作者: Chen Min, Zheng Ma

分类: cs.LG

发布日期: 2026-06-12

备注: 35 pages, 14 figures

💡 一句话要点

提出解耦潜变量优化方法以解决全波形反演问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)

关键词: 全波形反演 解耦潜变量优化 扩散先验 地质勘探 速度反演 非凸优化 数据保真度 鲁棒性

📋 核心要点

  1. 现有的全波形反演方法在恢复地下速度时面临严重的病态性和非凸性挑战，传统正则化无法有效再现真实地质结构。
  2. 本文提出的解耦潜变量优化（DLO）方法，通过引入辅助物理变量和潜变量的二次惩罚目标，改善了数据保真度与先验一致性之间的平衡。
  3. 在OpenFWI基准测试中，DLO在多种采集条件下表现优异，成功恢复复杂地质结构，并对噪声和初始化具有良好的鲁棒性。

📝 摘要（中文）

全波形反演（FWI）通过解决严重病态的非凸PDE约束优化问题，从地震记录中恢复地下速度。传统正则化方法虽然能稳定反演，但无法再现真实的地质结构；而近期的扩散先验方法在提高真实感的同时，导致数据保真度与先验一致性之间的脆弱权衡。本文提出了解耦潜变量优化（DLO），将标准潜变量优化形式放宽为对辅助物理变量和潜变量的二次惩罚目标。数据保真度梯度在物理空间中起作用，扩散采样器仅通过解码的先验样本贡献，且保留了传统FWI的平滑速度初始化。在OpenFWI基准测试中，DLO在干净、噪声和缺失轨迹的采集下均优于传统正则化和现有的基于扩散的方法。经过在70*70 OpenFWI模型上训练的先验，DLO能够直接迁移到Marmousi和Overthrust基准测试中，成功恢复复杂的断层结构，并对初始化平滑和测量噪声保持鲁棒性。

🔬 方法详解

问题定义：本文旨在解决全波形反演（FWI）中存在的严重病态性和非凸性问题。现有方法在恢复地下速度时，传统正则化手段虽然能够提供稳定性，但往往无法有效再现真实的地质结构，导致反演结果的可靠性下降。

核心思路：论文提出的解耦潜变量优化（DLO）方法，通过将标准潜变量优化形式转变为对辅助物理变量和潜变量的二次惩罚目标，来改善数据保真度与先验一致性之间的权衡。这种设计使得数据保真度梯度在物理空间中起作用，同时扩散采样器仅通过解码的先验样本进行贡献，从而提高了反演的真实感。

技术框架：DLO的整体架构包括数据保真度计算、扩散先验样本的解码和二次惩罚目标的优化。首先，通过物理空间中的数据保真度梯度进行优化，然后引入扩散先验样本以增强反演的真实感，最后通过二次惩罚目标来平衡物理变量与潜变量之间的关系。

关键创新：DLO的主要创新在于其解耦的潜变量优化策略，与传统方法相比，DLO能够更好地处理数据保真度与先验一致性之间的矛盾，显著提高了反演的稳定性和真实感。

关键设计：在DLO中，关键的参数设置包括二次惩罚项的权重、扩散先验的训练过程以及损失函数的设计。通过在70*70 OpenFWI模型上进行训练，确保了先验的有效性和适用性，从而在后续的Marmousi和Overthrust基准测试中取得了良好的效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在OpenFWI基准测试中，DLO方法在干净、噪声和缺失轨迹的采集条件下均表现优异，显著优于传统正则化和现有的扩散方法。具体而言，DLO在复杂地质结构恢复方面展现出更高的鲁棒性，能够有效应对初始化平滑和测量噪声的影响。

🎯 应用场景

该研究的潜在应用领域包括地质勘探、石油和天然气开采等行业，能够有效提高地下速度反演的准确性和可靠性。通过改善反演结果的真实感，DLO方法有助于更好地理解地下结构，进而推动相关领域的技术进步和经济效益提升。

📄 摘要（原文）

Full waveform inversion (FWI) recovers subsurface velocity from seismic recordings by solving a severely ill-posed, nonconvex PDE-constrained optimization. Classical regularizers stabilize the inversion but fail to reproduce realistic geological structures; recent diffusion-prior methods improve realism at the cost of a fragile trade-off between data fidelity and prior consistency. We propose Decoupled Latent Optimization (DLO), which relaxes the standard latent-optimization formulation into a quadratic-penalty objective over an auxiliary physical variable and a latent variable. The data-fidelity gradient acts in physical space, the diffusion sampler contributes only through a decoded prior sample, and the standard smoothed-velocity initialization of classical FWI is preserved. On the OpenFWI benchmark, DLO outperforms classical regularizers and existing diffusion-based methods under clean, noisy, and missing-trace acquisitions. The prior, trained on 70*70 OpenFWI models, transfers directly to the Marmousi and Overthrust benchmarks, where DLO recovers intricate fault structures and remains robust to initialization smoothing and measurement noise.