扩散先验加持贝叶斯反演，地下成像更准、不确定性更可解释！
Structure-aware Bayesian full waveform inversion via diffusion-regularized Stein variational gradient descent
📖 AI 总结
本文针对全波形反演（FWI）高度非线性、病态且依赖初始模型与数据质量的问题，提出一种结构感知的贝叶斯反演方法。传统退火Stein变分梯度下降（ASVGD）虽能以粒子集合近似后验分布并实现不确定性量化，但其依赖高斯或平滑等手工先验，难以刻画复杂地质结构。为此，作者将训练好的扩散模型作为隐式正则化机制引入ASVGD-FWI框架，使其充当学习到的地质投影算子，引导粒子更新趋向合理的速度模型分布，从而融合数据一致性、后验多样性与结构真实性。数值实验表明，该方法能获得地质一致性更强的均值模型，压制非物理伪影，并使不确定性估计更集中于结构复杂和约束不足的区域，说明学习型扩散先验可有效提升贝叶斯FWI的稳定性与后验不确定性可解释性。
🔑 关键词速览
| 全波形反演 (FWI) | 一种利用地震波全波形数据反演地下速度模型的高分辨率成像方法。 |
| 退火斯坦变分梯度下降 (ASVGD) | 一种基于粒子的贝叶斯推断方法，通过退火策略和斯坦变分梯度下降近似后验分布。 |
| 扩散模型 (DM) | 一类生成模型，通过逐步去噪过程学习数据分布，此处用作隐式地质先验。 |
| 贝叶斯反演 | 在反演中引入先验信息，通过后验分布量化模型参数的不确定性。 |
| 不确定性量化 | 评估和表示反演结果中模型参数的不确定程度，通常以后验分布描述。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅