企业官网建设流程全解析

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f：m-->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

1. 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。

2. 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。

3. 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。

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

1. 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。

2. 代码还没有跑通。

四、下一步计划

1. 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。

2. 继续学习《地震勘探原理》课程。