用物理模型引导扩散过程，提升地震反演的精度与鲁棒性。
Robust Physics-Guided Diffusion for Full-Waveform Inversion
- 结合评分生成先验与波方程模拟似然，实现物理约束下的图像生成。
- 在OpenFWI数据集上，重建质量优于传统优化方法和标准扩散采样。
- 适合地震成像、逆问题求解等需要高精度物理建模的领域使用。
我们提出一种鲁棒的物理引导扩散框架用于全波形反演，将基于评分的生成先验与通过波方程模拟计算的似然引导相结合。采用基于传输的数据一致性势能（Wasserstein-2），引入有界加权和观测依赖归一化来增强波场，从而提升对振幅失衡及时间/相位错位的鲁棒性。在推理端，设计了一种预条件引导反向扩散方案，动态调整引导强度与空间尺度，使数据一致性引导步骤比标准扩散后验采样（DPS）更稳定高效。在OpenFWI数据集上的数值实验表明，在相当计算开销下，该方法的重建质量优于确定性优化基线和标准DPS。
原文摘要 · Abstract (English)
We develop a robust physics-guided diffusion framework for full-waveform inversion that combines a score-based generative prior with likelihood guidance computed through wave-equation simulations. We adopt a transport-based data-consistency potential (Wasserstein-2), incorporating wavefield enhancement via bounded weighting and observation-dependent normalization, thereby improving robustness to amplitude imbalance and time/phase misalignment. On the inference side, we introduce a preconditioned guided reverse-diffusion scheme that adapts the guidance strength and spatial scaling throughout the reverse-time dynamics, yielding a more stable and effective data-consistency guidance step than standard diffusion posterior sampling (DPS). Numerical experiments on OpenFWI datasets demonstrate improved reconstruction quality over deterministic optimization baselines and standard DPS under comparable computational budgets.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。