一、本周计划精读论文《ABA-FWI: Augmented Boundary Attention for Full Waveform Inversion》TGRS 2024从头把论文里的背景知识和方法弄懂学习《地震勘探原理》课程。二、完成情况2.1 补背景知识正演已知地下速度模型按波动方程算出地面地震会收到什么波形。由速度推数据反演用波形反推地下速度模型。由数据推速度。正演公式fm--x 唯一、稳定反演求f⁻¹多解不同地下可能产生几乎一样的记录、不稳定数据一点噪声模型就乱2.2 传统全波形反演FWI传统做法迭代猜一个初始模型--正演一次--和实测数据比误差--改--正演周波跳跃波形是周期性的若初始模型猜的太差预测波形和实测波会错开一个周期误差看着小优化回望错误方向走卡在局部最小PS:传统FWI比较依赖算力和初始模型尝试深度学习做反演2.3 DL-FWI做法用大量“速度模型对应正演出来的地震记录”配对数据训练一个神经网络直接学x-m的逆映射训练用正演批量造数据反复调参数推理新数据一次前向传播直接出速度图不再解波动方程。2.4 论文针对的问题边界被牺牲网络的评分标准损失函数是逐像素求平均误差预测图和真值图每个点相减取绝对值再平均。一张图里地层边界只占约 7% 的像素剩下 93% 是层内平坦区。网络发现把平坦区数值猜准、 边界画糊一点平均分依然很低于是边界被系统性画歪。两个问题①位置漂移——台阶画在了错的深度②速度失配——本该突变的界面被画成缓坡。弱反差边界相邻两层速度只差百分之几时反射系数≈0地震数据几乎看不见这种界面在平均分里没有权重。2.5 论文的三处改动WTconv小波卷积小波变换能把特征图无损拆成低频高频四个子带低频负责大尺度构造。先拆频再卷积不缩小图像也能看更大范围。SAM空间注意力网络自己学出一张 0~1 的权重图乘回特征上等于自动知道图上哪些位置值得多看一眼在恢复分辨率的最后阶段把位置精度找回来。RCTB 边界损失在真值模型上用 Canny 算子把边界提取出来、膨胀 3 格宽再按反射系数分档加权——非边界权重 0、强反差边界权重 1、弱反差边界权重 2误差用横纵两个方向的梯度差算。位置插入模块目的编码器每个特征提取阶段池化之前WTconv小波卷积不缩图也能扩大感受野同时把低频抓住解码器每个上采样阶段反卷积之后SAM空间注意力模块让网络自己决定哪些像素位置值得多看训练目标RCTB loss反射系数调节的边界损失在损失函数里给边界尤其 是弱反差边界加权惩罚PS前两个改网络能力第三个改什么算好把地质上重要的边界直接写进了训练目标三、存在问题论文术语密度大感受野、消融、归一化这些读得很慢很多概念查了资料论文还没有系统性完整的理解完。代码还没有跑通。四、下一步计划复现顺序定为InversionNet 基线 --记忆八个评价指标--跑论文的 ABA-Net / ABA Loss / ABA-FWI 三个配置。继续学习《地震勘探原理》课程。
