조건부 정류 흐름 기반 엔드 투 엔드 고속 지진 반전 방법

Conditional Rectified Flow-based End-to-End Rapid Seismic Inversion Method

지진 반전은 지구물리학 탐사 분야의 핵심적인 문제이며, 기존 방법은 높은 계산 비용이 필요하고 초기 모델에 민감한 단점이 있습니다. 최근 몇 년 동안 딥 생성 모델 기반의 지진 반전 방법이 상당한 발전을 이루었지만, 기존 생성 모델은 샘플링 효율성과 반전 정확성 간의 균형을 맞추는 데 어려움을 겪고 있습니다. 본 논문에서는 조건부 정류 흐름[1]을 기반으로 하는 엔드 투 엔드 고속 지진 반전 방법을 제안하며, 다중 스케일 지진 특징을 추출하기 위한 특수 지진 인코더를 설계하고, 레이어별 주입 제어 전략을 채택하여 미세한 조건부 제어를 달성합니다. 실험 결과는 제안된 방법이 OpenFWI[2] 벤치마크 데이터셋에서 뛰어난 반전 정확도를 달성함을 보여줍니다. 확산(Diffusion)[3,4] 방법과 비교하여 샘플링 속도를 향상시키고, InversionNet[5,6,7] 방법과 비교하여 생성 정확도를 높입니다. Marmousi[8,9] 실제 데이터에 대한 제로샷 일반화 실험은 본 방법의 실용적인 가치를 더욱 입증합니다. 실험 결과는 제안된 방법이 OpenFWI 벤치마크 데이터셋에서 뛰어난 반전 정확도를 달성하며, 확산 방법과 비교하여 샘플링 속도를 향상시키는 동시에 InversionNet 방법보다 높은 정확도를 유지하고, Marmousi 표준 모델을 기반으로 한 실험은 본 방법이 제로샷 방식으로 고품질 초기 속도 모델을 생성하여 전통적인 전체 파동 반전(FWI)의 초기 모델 의존성 문제를 효과적으로 완화하고, 산업적 실용 가치를 지님을 추가적으로 검증합니다.

Seismic inversion is a core problem in geophysical exploration, where traditional methods suffer from high computational costs and are susceptible to initial model dependence. In recent years, deep generative model-based seismic inversion methods have achieved remarkable progress, but existing generative models struggle to balance sampling efficiency and inversion accuracy. This paper proposes an end-to-end fast seismic inversion method based on Conditional Rectified Flow[1], which designs a dedicated seismic encoder to extract multi-scale seismic features and adopts a layer-by-layer injection control strategy to achieve fine-grained conditional control. Experimental results demonstrate that the proposed method achieves excellent inversion accuracy on the OpenFWI[2] benchmark dataset. Compared with Diffusion[3,4] methods, it achieves sampling acceleration; compared with InversionNet[5,6,7] methods, it achieves higher accuracy in generation. Our zero-shot generalization experiments on Marmousi[8,9] real data further verify the practical value of the method. Experimental results show that the proposed method achieves excellent inversion accuracy on the OpenFWI benchmark dataset; compared with Diffusion methods, it achieves sampling acceleration while maintaining higher accuracy than InversionNet methods; experiments based on the Marmousi standard model further verify that this method can generate high-quality initial velocity models in a zero-shot manner, effectively alleviating the initial model dependency problem in traditional Full Waveform Inversion (FWI), and possesses industrial practical value.