无标记学习的地震走时层析成像
内容提要
该文综述深度学习在反问题中的应用，涵盖地震、医学与量子成像等领域：利用压缩学习与卷积网络降维实现稀疏源三维地震反演；联合重力与地震数据重建地下密度和速度以监测CO₂封存；端到端网络使CT重建达到数值精度；标签驱动配准改进医学图像对齐；自编码器与Transformer模拟三维湍流；深度图像先验提升低数据CT质量；张量字典稀疏重建；Transformer自编码器重构量子态；循环网络单元处理时空传感器数据；部分学习求解病态反问题，PSNR提升5.4dB。
延伸解读
深度学习反演的多领域适用性
文章综述了深度学习在多个反问题领域的应用，包括地震走时层析成像、医学CT重建、量子态重构和三维湍流模拟。这些案例表明，深度学习方法能够处理不同类型的反问题，从稀疏源地震反演到低数据CT重建，均展现出潜力。读者可关注其跨领域通用性，但需注意各领域数据特性和物理约束的差异。
联合反演提升CO₂封存监测精度
在CO₂封存监测中，联合重力与地震数据的深度学习反演优于单一数据反演，实现了更准确的密度和速度重建，以及更高的R-squared系数。这提示多数据融合可提高地下模型可靠性，但文章也指出未来需更大数据集和现场数据验证，实际部署前应谨慎评估。
低数据与病态反问题的解决策略
针对低数据CT和病态反问题，文章介绍了深度图像先验、张量字典稀疏重建和部分学习等方法。这些方法通过结合经典正则化与深度学习，在数据有限时提升重建质量，例如部分学习在512x512体积内PSNR提升5.4dB。读者可关注其数据效率，但需注意不同方法的适用条件和计算成本。
Q&A
深度学习如何用于地震走时层析成像中的三维反演？
使用压缩学习框架和深度卷积神经网络（DCNN）联合优化维度缩减算子和实现三维反演编码-解码器的方法，以极少量的地震源进行预堆叠数据的三维地震反演，通过学习稀疏二进制感知层来实现维度缩减，并保持与使用整个数据集获得的三维重建质量相当的回归任务效果。
深度学习联合反演如何用于监测CO₂封存？
引入一种完全基于深度学习的三维方法，同时反演时间序列表面重力和地震数据，以重建地下密度和速度模型，用于预测地下CO₂羽流。该联合反演技术优于仅重力或仅地震的反演模型，实现了改进的密度和速度重建、准确的分割以及更高的R-squared系数，表明其是有效的CO₂储存监测工具。
深度学习能否精确解决无噪声反问题？以CT重建为例。
本文通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该方案能够使CT重建达到数值精度，与基于压缩感知策略的方法相当，并展示了方法的优越表现。
深度学习如何改进医学图像配准？
采用标签驱动式表达，利用卷积神经网络的密集位移场，通过最小化变形移动标签和固定标签的交叉熵函数，使医学图像的标志物在不同模态之间匹配，改进了医学图像的对齐性。
深度学习模拟三维湍流的效果如何？
使用数据驱动的方法，应用前沿的深度学习技术模拟三维湍流，考虑流体的物理约束，并使用向量量化自编码器等方法降低数据维度，应用Transformer网络预测流体运动趋势，所得结果优于其他网络，但不能完美还原小幅动态。
在低数据条件下，如何提高CT重建质量？
提出了一种深度图像先验方法与经典规则相结合的方法，提高了低数据条件下的重建质量和数据效率。
张量字典稀疏重建在断层扫描中有什么优势？
利用来自训练图像的字典作为先验进行断层扫描重建，并使用张量表示和稀疏约束来解决字典学习和重建问题。结果表明，张量表示方法可以得到非常稀疏的表示，同时能够紧凑地表示重复的特征。
Transformer自编码器如何用于量子态重构？
提出了一种基于变压器的自编码器架构，针对含有不完美测量数据的量子态重构问题进行了优化，通过提取信息丰富的潜在表示来预测量子态。通过在预训练中使用重构高质量频率的预设任务，该方法在量子态重构中表现出了显著的能力。
部分学习方法如何解决病态反问题？
提出了一种部分学习方法，用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展，通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习，其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明，与FBP和TV重建相比，所提出的方法在保证速度的同时，能够在512x512体积内产生5.4dB的PSNR提升。
