Buchumschlag

Geophysical inverse problems with measurement-guided diffusion models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Ravasi, Matteo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Geophysics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

IntraSeismic: a coordinate-based learning approach to seismic inversion
von: Romero, Juan, et al.
Veröffentlicht: (2023)

RED-DiffEq: Regularization by denoising diffusion models for solving inverse PDE problems with application to full waveform inversion
von: Shan, Siming, et al.
Veröffentlicht: (2025)

Geological and Well prior assisted full waveform inversion using conditional diffusion models
von: Wang, Fu, et al.
Veröffentlicht: (2024)

On the role of memorization in learned priors for geophysical inverse problems
von: Siahkoohi, Ali, et al.
Veröffentlicht: (2026)

Dual-space posterior sampling for Bayesian inference in constrained inverse problems
von: Siahkoohi, Ali, et al.
Veröffentlicht: (2026)

Towards Understanding the Benefits of Neural Network Parameterizations in Geophysical Inversions: A Study With Neural Fields
von: Xu, Anran, et al.
Veröffentlicht: (2025)

A Test-Time Learning Approach to Reparameterize the Geophysical Inverse Problem with a Convolutional Neural Network
von: Xu, Anran, et al.
Veröffentlicht: (2023)

Plug-and-Play regularized 3D seismic inversion with 2D pre-trained denoisers
von: Luiken, Nick, et al.
Veröffentlicht: (2024)

Bayesian full waveform inversion with sequential surrogate model refinement
von: Meles, Giovanni Angelo, et al.
Veröffentlicht: (2025)

Upside down Rayleigh-Marchenko: a practical, yet exact redatuming scheme for seabed seismic acquisitions
von: Wang, Ning, et al.
Veröffentlicht: (2024)

Controllable seismic velocity synthesis using generative diffusion models
von: Wang, Fu, et al.
Veröffentlicht: (2024)

Annealed Stein Variational Gradient Descent for Improved Uncertainty Estimation in Full-Waveform Inversion
von: Corrales, Miguel, et al.
Veröffentlicht: (2024)

Integrating Artificial Intelligence and Geophysical Insights for Earthquake Forecasting: A Cross-Disciplinary Review
von: Ying, Zhang, et al.
Veröffentlicht: (2025)

A Physics-guided Generative AI Toolkit for Geophysical Monitoring
von: Yang, Junhuan, et al.
Veröffentlicht: (2024)

Discovery and inversion of the viscoelastic wave equation in inhomogeneous media
von: Chen, Su, et al.
Veröffentlicht: (2024)

Bayesian geoacoustic inversion using mixture density network
von: Wu, Guoli, et al.
Veröffentlicht: (2020)

Full waveform inversion with CNN-based velocity representation extension
von: Mu, Xinru, et al.
Veröffentlicht: (2025)

Efficient Upside-Down Rayleigh-Marchenko Imaging through Self-Supervised Focusing Function Estimation
von: Wang, Ning, et al.
Veröffentlicht: (2025)

Representations for multidimensional down-down deconvolution of ocean-bottom seismic data: theory and practical implications
von: Wapenaar, Kees, et al.
Veröffentlicht: (2025)

Seis2Rock: A Data-Driven Approach to Direct Petrophysical Inversion of Pre-Stack Seismic Data
von: Corrales, Miguel, et al.
Veröffentlicht: (2023)

Reciprocity-aware adaptive tile low-rank factorization for large-scale 3D multidimensional deconvolution
von: Chen, Fuqiang, et al.
Veröffentlicht: (2024)

A reciprocity-aware, low-rank regularization for multidimensional deconvolution
von: Chen, Fuqiang, et al.
Veröffentlicht: (2023)

Physics-informed waveform inversion using pretrained wavefield neural operators
von: Huang, Xinquan, et al.
Veröffentlicht: (2025)

HEIMDALL: a grapH-based sEIsMic Detector And Locator for microseismicity
von: Bagagli, Matteo, et al.
Veröffentlicht: (2025)

Slope assisted Physics‐informed neural networks for seismic signal separation with applications on ground roll removal and interpolation
von: Francesco Brandolin, et al.
Veröffentlicht: (2025)

Inspired by machine learning optimization: can gradient-based optimizers solve cycle skipping in full waveform inversion given sufficient iterations?
von: Mu, Xinru, et al.
Veröffentlicht: (2025)

Stochastic full waveform inversion with deep generative prior for uncertainty quantification
von: Xie, Yuke, et al.
Veröffentlicht: (2024)

Propagating the prior from far to near offset: A self-supervised diffusion framework for progressively recovering near-offsets of towed-streamer data
von: Cheng, Shijun, et al.
Veröffentlicht: (2026)

A new practical and effective source-independent full-waveform inversion with a velocity-distribution supported deep image prior: Applications to two real datasets
von: Song, Chao, et al.
Veröffentlicht: (2025)

Robust Full Waveform Inversion with deep Hessian deblurring
von: Alfarhan, Mustafa, et al.
Veröffentlicht: (2024)

Signal Enhancement in Distributed Acoustic Sensing Data Using a Guided Unsupervised Deep Learning Network
von: Saad, Omar M., et al.
Veröffentlicht: (2024)

Physics-informed extreme learning machine for Terzaghi consolidation problems and interpretation of coefficient of consolidation based on CPTu data
von: Yang, He, et al.
Veröffentlicht: (2025)

Leveraging generative adversarial networks with spatially adaptive denormalization for multivariate stochastic seismic data inversion
von: Miele, Roberto, et al.
Veröffentlicht: (2025)

Seismic inversion using hybrid quantum neural networks
von: Vashisth, Divakar, et al.
Veröffentlicht: (2025)

Data-driven modeling of time-domain induced polarization
von: Bérubé, Charles L., et al.
Veröffentlicht: (2021)

Parametric modeling of shear wave velocity profiles for the conterminous U.S
von: Sanger, Morgan D., et al.
Veröffentlicht: (2025)

Explainable AI models for predicting liquefaction-induced lateral spreading
von: Hsiao, Cheng-Hsi, et al.
Veröffentlicht: (2024)

Deep operator network for surrogate modeling of poroelasticity with random permeability fields
von: Park, Sangjoon, et al.
Veröffentlicht: (2025)

Seismic event classification with a lightweight Fourier Neural Operator model
von: Abdullin, Ayrat, et al.
Veröffentlicht: (2025)

EarthPT: a time series foundation model for Earth Observation
von: Smith, Michael J., et al.
Veröffentlicht: (2023)