企业官网建设流程全解析

今天读一下《GeoFWI: A Large Velocity Model Data Set for Benchmarking Full Waveform Inversion Using Deep Learning》这篇论文，这篇论文主要提出了一个开源的、地质意义明确的二维速度模型数据集（含褶皱、断层、盐体），用于训练和公平基准评测深度学习 FWI 方法。感觉以后可能会用到这个数据集？

论文概述

传统数据驱动 FWI 可以直接建立地震记录到速度模型的映射，但其精度和泛化能力高度依赖训练数据的数量与多样性。为解决这一问题，作者构建了开放的 GeoFWI 数据集，其中包含约5万个具有褶皱、断层和盐体等结构的地质速度模型。作者进一步利用 GeoFWI 比较了数据驱动 FWI、深度学习匹配 FWI、扩散模型 FWI 和经典 FWI。研究表明，GeoFWI 可用于更加公平、透明地评估不同 FWI 方法，并为 DL-FWI 的泛化、鲁棒性和生成先验研究提供统一的数据基础。

1. 论文摘要

• 提出GeoFWI：开源、大规模（约 5 万个）二维速度模型数据集；
• 模型按地质规律生成，含褶皱、断层、盐体三类结构；
• 在统一基准上对比了经典 FWI、数据驱动 FWI、DL 匹配 FWI、扩散模型 FWI 四类方法；
• 目标：推动 DL-FWI 的公平评测与发展。

2. 研究背景

• 数据驱动 FWI 需要大量、多样的速度模型；
• Marmousi、Overthrust 等传统模型较真实，但数量有限；
• 现有公开数据集（如 OpenFWI）多由自然图像变换而来，缺乏地质合理性；
• 缺少一个地质真实、大规模、公开的基准数据集。

3. 研究方法

• 按照“平坦地层—褶皱—断层或盐体—速度赋值”生成模型。

• 构建褶皱、断层和盐体三类( 100 × 100 ) (100\times100)(100×100)速度模型。
• 使用 Deepwave 生成地震记录。
• 对比测试：
  • SeisInvNet；
  • DLM-FWI；
  • 扩散模型 FWI；
  • 经典 FWI。
• 进一步分析训练数据数量、数据多样性和网络结构的影响。

4. 研究结论

• 数据规模与多样性决定 DDFWI 性能：4.5 万样本比 2 千样本 MAE 降 31%、MSE 降 56%；
• 多种地质结构混合训练，泛化能力优于单一结构训练。
• DLM-FWI 对较差初始模型比经典 FWI 更稳健。
• 扩散模型能够提供地质结构先验，其中 SGDS 综合表现较好。
• GeoFWI 可作为不同 DL-FWI 方法的统一基准。

5. 未来展望

• 扩展至3D 模型，引入 B 样条界面与更多构造类型；
• 加入弹性、各向异性、黏性等更真实物理；
• 拓展应用：断层/盐体分割标签、岩石物理建模、4D 时移反演、多次波压制、去噪去混叠；
• 持续扩充数据规模与多样性。