目录一、本周计划二、完成情况2.1 任务一2.2 任务二2.2.1 论文定位2.2.2 问题背景与对比2.2.3 方法一双解码器DD-Net2.2.4 方法二课程学习DSM策略2.2.5 跨越泛化能力评估2.2.6 跨物理域外推局限2.2.7 核心收获总结2.3 任务三2.3.1 实现DD-Net代码2.3.2 InversionNet与DD-Net对比三、存在问题四、下一步计划一、本周计划完成InversionNet的代码实现做去CRF后处理的消融实验研读《DD-Net: Dual Decoder Network With Curriculum Learning for Full Waveform Inversion》二、完成情况2.1 任务一复现InversionNet代码并做去CRF后处理的消融实验图1 可视化结果表1 样本结果对比样本预测问题效果V_0_0三层结构基本对了层间过渡带偏宽底部边界模糊V_0_1四层结构大致对了中间黄色层颜色偏暗顶部有噪声V_0_2三层结构对应上了中间绿色层偏黄颜色不准V_1_0大方向对明显颗粒噪声顶层有雪花状噪点V_1_1分层位置大致对边界模糊成渐变不够锐利V_1_2整体趋势对五层分层完全糊掉了变成连续渐变结论模型确实学到了东西它知道 越深速度越高 这个大规律也能分出大概几层。但层位边界模糊、颜色不准、有噪声这是因为只喂了 1000 个样本模型没学精细图2 有无CRF后处理实验可视化​​表2 实验对比实验组MAEMSE相对改善纯CNN无CRF144.7041282.48——CNNCRF后处理143.9341057.60MAE ↓0.5%完成了 CRF 后处理消融实验对比了纯 CNN 输出与加入边缘保持平滑后处理的结果加入后处理后验证集 MAE 降至 143.93 m/s提升 0.5%定性上有效抑制了预测结果中的颗粒噪声使层位界面更加连续2.2 任务二研读论文2.2.1 论文定位论文面向深度学习全波形反演DL-FWI两个突出问题一是边界/断层等关键地质界面重建模糊边缘模糊与伪影二是跨数据集泛化能力弱。提出双解码器结构DD-Net与课程学习Curriculum Learning的组合方案目标是同时提升边界重建质量与跨域泛化性能2.2.2 问题背景与对比传统迭代式 FWI 依赖高质量初始模型存在周波跳跃导致的局部极小DL-FWI 以正演批量配对数据端到端学习逆映射推理更快但用逐像素平均损失时占少数像素的边界被层内平坦区主导导致边界位置漂移与速度失配表3 传统FWI与DD-Net对比对比维度传统FWIDL-FWI基线DD-Net本文机制迭代优化波动方程端到端学习逆映射DL-FWI 双解码器 课程学习边界/断层受初始模型与正则影响边缘模糊、伪影边界锐利、伪影受抑初始模型依赖强弱弱跨域泛化不适用弱通过课程学习显著改善2.2.3 方法一双解码器DD-Net主干解码器重建整体速度结构轮廓edge解码器专项建模边界位置与梯度二者融合。设计动机是抑制单解码器SD-Net出现的边界伪影与速度错位从监督信号层面强化边缘约束为验证轮廓解码器的有效性作者对比了单解码器 SD-Net 与 DD-Net 在盐丘结构与褶皱地层上的表现。SD-Net在非盐丘的平坦背景区域出现了明显的黑色斑纹与伪影红箭头所示且断层、褶皱边缘呈晕染状模糊DD-Net得益于轮廓解码器的约束背景区域极其平滑干净完全消除伪影同时地质界面保持了极高锐利度完美还原 Ground Truth图3 DD-Net 双解码器消融(b)(e) 为 SD-Net红箭头处背景伪影明显(c)(f) 为 DD-Net背景平滑、边缘锐利2.2.4 方法二课程学习DSM策略按数据难度由易到难分阶段投喂D畸变数据→ S单炮数据→ M多炮数据。通过调度学习顺序降低优化难度获得更低验证损失与更快收敛为证明分阶段喂数据的必要性作者对比了不同数据输入顺序对收敛的影响。Without TL紫线不做迁移学习直接硬扛复杂数据损失值处于 10^6 量级且无法收敛不符合由易到难规律的红/绿/橙线收敛较慢遵循 D→S→M 递进策略的 DSM蓝线在前期收敛最快并最终稳定在最低损失区间图4 课程学习消融曲线纵轴为验证损失横轴为训练轮次蓝线 DSM 收敛最快且最终损失最低紫线 Without TL 几乎不收敛2.2.5 跨越泛化能力评估通过 LPIPS 指标热力图数值越低、颜色越深代表泛化越强评估模型在不同地质结构间的迁移能力。InversionNet非对角线区域大面积泛白跨域即失效过拟合严重去掉课程学习的 DD-Net即便有双解码器非对角线区域数值仍飙升泛化崩溃而 DD-Net70整体非对角线区域颜色最深、跨域得分最低证明双解码器 DSM 课程学习的组合让模型真正习得了跨模型的地质反演规律图5 OpenFWI 跨域泛化 LPIPS 热力图对角线为同域测试非对角线为跨域测试(a) DD-Net70 整体最深泛化最优2.2.6 跨物理域外推局限论文展示了在 SEG 盐丘数据上训练的模型直接测试简单水平地层的表现。模型将简单水平层画出了大量波浪状伪影说明 DD-Net 虽能跨越不同地质构造但尚未解决跨越不同底层物理规律的泛化壁垒这为后续研究指明了物理约束或元学习的改进方向图6 跨物理域外推测试盐丘训练的模型预测简单水平地层时产生严重伪影暴露跨物理域泛化局限2.2.7 核心收获总结表4 收获与总结核心维度传统/现有FWIDD-Net改进方案实验验证边界与伪影边界模糊背景伴生噪点双解码器轮廓解码器联合优化背景平滑、边缘锐利训练收敛难收敛易陷局部最优课程学习DSMD→S→M 递进收敛最快、损失最低跨地质泛化换地质模型即失效双解码器 DSM 联合训练跨域得分最低跨物理泛化未解决共性难题诚实展示局限性跨物理域外推退化2.3 任务三复现DD-Net框架代码2.3.1 实现DD-Net代码小样本图7 DDNet70速度模型反演结果小规模验证Ground Truth— 真实的地下速度模型标注速度随深度的分层结构DDNet70 Prediction— DD-Net 模型预测出来的速度模型Absolute Error— 预测值和真实值的绝对误差越亮误差越大第一列是真实速度模型可以看到地下是水平分层的结构第二列是模型的预测结果整体的分层趋势和速度范围都对上了第三列是逐像素的误差图。现象整体趋势正确顶部低速、底部高速的分布和真实模型一致主要误差在层位交界处第三列的亮带对应分层边界说明模型还没学到很锐利的界面左上角误差偏大这是地表附近地震波数据在浅层信噪比低为什么这里的效果与论文中本身的效果差的很远表5 结果差异性分析论文结果简单复现结果训练样本数完整 FlatVel-A 数据集1000 个样本训练轮数100 epoch第三阶段 100 epoch20 epoch第三阶段 16 epoch数据复杂度隆起构造、弯曲层位等复杂样本简单水平分层样本展示样本挑选的最优测试样本随机选的前几个样本数据预处理完整流程简化版目前只用了 1000 个训练样本、20 个 epoch图8 DD-Net70 loss图采用三阶段课程学习策略Stage 1畸变单炮2 epoch→ Stage 2单炮2 epoch→ Stage 3多炮16 epoch训练损失从初始 0.20 逐步收敛至 0.015与测试集 MSE0.0154 基本一致验证了课程学习策略的有效性2.3.2 InversionNet与DD-Net对比图9 InversionNet 与 DDNet70 速度模型反演结果对比FlatVel-A 测试集样本从左至右依次为真实速度模型、InversionNet 预测结果、DDNet70 预测结果、DDNet70 绝对误差图结果分析真实速度模型为三层水平分层结构自上而下速度逐渐增大InversionNet 预测结果整体偏差较大仅能识别出层位边界的大致位置整体速度值偏离真实范围DDNet70 预测结果能够还原出地下速度模型的分层趋势顶部低速层与底部高速层的分布与真实模型基本一致但层位边界较为模糊左上角浅层区域存在局部偏差误差分布显示主要误差集中在层位交界处及左上角浅层区域这与地震波在浅层信噪比低、反演难度大的物理规律一致由于 OpenFWI 与 DD-Net 两个框架的数据预处理流程归一化方式存在差异所以InversionNet的效果较差。定量指标方面在各自框架的测试集上DDNet70 的 MAE0.0826较 InversionNetMAE0.0965降低约 14.4%MSE0.0154较 InversionNetMSE0.0183降低约 15.8%验证了 DD-Net 双解码器结构在反演精度上的优势三、存在问题数据集规模有限当前仅使用 FlatVel-A 子集的 1000 个训练样本与 500 个测试样本远小于论文完整数据集规模模型反演精度受到数据量制约训练轮次不足受限于 GPU 资源课程学习三阶段共训练 20 个 epoch2216模型尚未充分收敛预测结果中层位边界较为模糊浅层区域存在局部偏差还未做DD-Net文章中的消融实验目前想确定研究方向想咨询老师建议我做什么为主要研究方向四、下一步计划继续完善未做的消融实验根据老师的建议并向相关的师兄师姐咨询继续确定下一步计划。