OpenFWI:地震全波形反演的多结构基准数据集
新一、简介
全波形反演(Full Waveform Inversion,FWI)从地表记录的地震波形反演地下速度结构,是碳封存、储层识别、地下能源勘探与地震预警的共同技术底座。这条路线长期由物理驱动的方法主导,代价是极高的计算消耗、周期跳跃与不适定性问题。深度学习把这条链路改写成由数据驱动的逆映射,代价则转移到训练数据的覆盖度上,于是「有没有一套公开、结构多样、评测口径统一的基准」成为社区的刚需。
OpenFWI 由洛斯阿拉莫斯国家实验室(Los Alamos National Laboratory,LANL)团队构建,是这类基准中规模与结构多样性都靠前的一套。项目主页给出的定义是:面向深度学习驱动地震 FWI 的大规模多结构基准数据集集合,包含十二套数据集与四种深度学习方法的基线实验结果。
数据集分为四个族。Vel 族提供平层与曲层的速度地图,用于刻画地下界面的成像;Fault 族在速度地图中引入断层造成的不连续,用于断层识别与储层定位;Style 族通过风格迁移从自然图像生成速度地图,用来提升地质多样性;Kimberlina 族围绕地质碳封存储层生成,包含描述超临界 CO2 羽流时空迁移的 Kimberlina-CO2,以及首个大规模公开的三维 FWI 数据集 3D Kimberlina-V1。
到 2026 年 11 月,该项目的 GitHub 仓库有 182 个 star、34 个 fork、5 个未关闭 issue,代码以 BSD 3-Clause 发布,数据以 CC BY-NC-SA 4.0 发布。项目的论文被 NeurIPS 2022 数据集与基准赛道接收并作 spotlight 报告。
二、原理与工作方式
反问题的形式化
控制声波传播的偏微分方程为各向同性、恒密度介质中的 ∇²p − (1/c²)∂²p/∂t² = s,其中 c 是速度地图,p 是压力场,s 是源项。给定速度 c 计算压力场 p 的过程记作 p = f(c),f 是一个高度非线性的前向映射。数据驱动的 FWI 让神经网络去学习逆映射 c = f⁻¹(p)。项目聚焦主动源成像,源项 s 已知。
四个基线方法
- InversionNet 用全卷积网络建模反演过程,编解码器结构在监督框架下把多源二维(时间 × 检波器数)地震数据映射为二维(深度 × 长度)速度地图。
- VelocityGAN 用生成对抗网络求解,生成器沿用编解码器结构,判别器是区分真实与合成速度地图的 CNN,并借助基于网络的深度迁移学习提升稳健性与泛化性。
- UPFWI 把前向建模与 CNN 连成闭环,在没有真值速度地图的条件下做无监督学习。CNN 从地震数据预测速度地图,再送入可微前向建模重建地震数据,用输入与重建之间的损失闭合回路。
- InversionNet3D 把 InversionNet 扩展到三维。为应对三维反演最吃紧的两个约束——显存占用与计算效率——它在编码器中采用分组卷积,并用基于加性耦合的可逆层构造部分可逆架构。
数据集生成与物理参数
速度地图的第一道工序是从不同先验合成速度地图,模拟界面、断层等地下结构;再由前向建模生成地震数据。数据集配置写在 dataset_config.json 里,涵盖速度最小值与最大值、网格尺寸、频率等参数,同时供 UPFWI 的归一化与前向建模模块使用。
Vel、Fault、Style 三族的共同参数为:网格间距 10 m,空间范围 0.7 × 0.7 km²,速度范围 1500–4500 m/s,源间距 140 m,源线长度 0.7 km,检波器间距 10 m,检波器线长度 0.7 km,时间步长 0.001 s,记录时长 1 s。配置文件中还有源数 5、检波器数 70、时间采样 1000 步、主频 15 Hz、网格点数 70、单文件样本数 500 等项。
Kimberlina-CO2 的参数不同:空间范围 1.4 × 4 km²,源间距 400 m,源线长度 3.6 km,检波器间距 40 m,检波器线长度 4 km,时间步长 0.002 s,记录时长 2.5 s。3D Kimberlina-V1 的空间范围为 3.5 × 4 × 4 km³,源间距 800 m,检波器间距 100 m,时间步长 0.001 s,记录时长 5 s。
复杂度刻画
数据集配置给出每个样本的归一化上下界,例如 flatvel-a 为 −26.95 与 52.77,style-b 为 −23.76 与 46.01,这些数值用于把地震数据变换到 [−1,1]。论文进一步用三个标准指标刻画速度地图的相对复杂度:香农熵、空间信息量(平均边界幅度)与梯度稀疏度(非光滑像素占比),用于关联地质复杂度与反演性能。
三、适用边界与前提
适用前提:使用者需要能承受 43 GB 到 1.4 TB 的数据体量,以及能容纳二维 70 × 70 或三维 350 × 400 × 400 网格的训练资源。仓库环境依赖较早,README 要求 PyTorch 1.7.1 与 torchvision 0.8.2 对齐,配合 scikit-learn、numpy 与 matplotlib。
数据许可边界:数据以 CC BY-NC-SA 4.0 发布,带有非商业与相同方式共享两项限制,因此商业场景与再分发场景需要单独评估。代码本身是 BSD 3-Clause,可自由使用。
评测口径边界:官方基准数字对应论文设定的实验协议,换损失函数、换训练集划分、换归一化区间都会让数字不可直接比较。UPFWI 与 InversionNet3D 未在全部数据集上给出结果,Kimberlina-CO2 与三维数据集上存在空缺。
适用范围的边界:官方基准覆盖主动源成像,被动源成像只在补充材料中做了事件拾取的初步试验。论文自身列出的四项待解挑战是:复杂速度图的反演、数据驱动方法的泛化、计算效率、被动源地震成像。
规模边界:仓库 README 明确写出,代码当前完整支持 InversionNet 与 VelocityGAN 覆盖十个数据集,UPFWI 与 InversionNet3D 的代码在获得批准后才会进入仓库。这意味着复现全部四组基线,需要自行补齐或等待授权。
硬件与推理侧边界:论文给出的训练耗时全部基于 NVIDIA Tesla P100,且 UPFWI 与 InversionNet3D 占用 32 张 GPU、其余方法使用单卡。换算到其它硬件时这些数字不能直接沿用,需要重新标定。推理侧同样有约束:InversionNet 的网络结构以二维 70 × 70 网格为固定输入输出尺寸,迁移到不同尺寸的网格需要重新设计网络或补充插值环节。Kimberlina-CO2 的输入输出形状与三族不同,论文明确指出训练时模型结构需要做小幅改动。
数据一致性的边界:数据集配置里的归一化上下界是逐数据集给定的,不同数据集之间并不通用。速度地图统一映射到 1500–4500 m/s 区间,地震数据则按各数据集自己的上下界做对数与最小最大归一化。把一个数据集的统计量套用到另一个数据集上,会直接破坏训练与推理的一致性。
四、上手路径
上手的起点是数据。十二套数据集通过项目主页的数据页下载,按家族分节列出名称、体积、训练与验证样本数、输入输出形状与物理含义。数据集托管在 Google Drive 上,3D Kimberlina-V1 于 2023 年 6 月释放在 EDX 站点,并配有 Geophysical Data Journal 的数据论文。
数据落盘后先确认形状。Vel、Fault、Style 三族以 .npy 文件存储,每个文件含一批 500 个样本,data{i}.npy 对应第 i 批地震数据,model{i}.npy 对应速度地图;地震数据形状为 (500, 5, 1000, 70),速度地图为 (500, 1, 70, 70)。Kimberlina-CO2 每个文件只有一个样本,速度地图形状 (401, 141),地震数据形状 (9, 1251, 101)。
代码侧的主流程分为几块。dataset.py 定义 FWIDataset,是 torch.utils.data 的子类,按文本文件里的清单把样本送进 dataloader。network.py 存放 InversionNet 与 VelocityGAN 的模型结构。train.py 与 gan_train.py 分别执行两种方法的训练。transforms.py 与 utils.py 提供归一化、指标记录、损失函数等外围函数,vis.py 负责速度地图与地震数据的可视化。scheduler.py 与 pytorch_ssim.py 分别承担学习率调度与 SSIM 指标,后者从 pytorch-ssim 项目借用实现,需要与 rainbow256.npy 放在一起。
训练集与测试集的划分通过文本清单文件完成。仓库的 split_files/ 目录提供 36 个清单文件,覆盖 flatvel、curvevel、flatfault、curvefault、style、kaggle_tutorial 与 tutorial 各系列的训练与验证划分。清单每行是「目录路径加文件名」,逐行解析后推入 dataloader。
以 FlatVel-A 从零训练 InversionNet 并使用 ℓ1 损失为例,命令是 python train.py -ds flatvel-a -n YOUR_DIRECTORY -m InversionNet -g2v 0 --tensorboard -t flatvel_a_train.txt -v flatvel_a_val.txt,其中 -ds 指定数据集,-n 指定保存模型与日志的目录,-g2v 把 ℓ2 损失的系数置零,-t 与 -v 指定训练与验证清单文件。从检查点继续训练时加上 -r CHECKPOINT.PTH。测试命令为 python test.py -ds flatvel-a -n YOUR_DIRECTORY -m InversionNet -v flatvel_a_val.txt -r CHECKPOINT.PTH --vis -vb 2 -vsa 3,--vis 打开可视化输出,-vb 与 -vsa 调节可视化数量。VelocityGAN 的训练脚本换成 gan_train.py,参数与测试命令保持一致。
数据加载时先做变换。地震数据走 LogTransform 加 MinMaxNormalize 的组合,速度地图走 MinMaxNormalize,两者都被变换到 [−1,1]。可视化前用 transforms.py 中的 tonumpy_denormalize() 还原量纲。
项目另提供 Google Colab 教程,用玩具数据集做端到端演示,面向初次接触数据驱动 FWI 的读者。
五、横向对比
与物理驱动 FWI 的对比:论文把两类方法就精度与计算成本做了直接比较。数据驱动方法在反演结果上以较大优势领先,而在训练样本数与测试样本数之比小于 62 时速度更快。这个比值给出了一条实用的分界——样本稀缺时数据驱动方法收益明显,样本充裕时前向求解的成本被摊薄。
与真实数据研究的对比:多尺度方法把二维数据驱动反演与真实地震数据研究结合起来,走的是从合成数据学习再迁移到实测数据的技术路线。OpenFWI 提供的是合成数据基座,本身不含实测数据。
与无监督与物理引导方法的对比:UPFWI 代表无监督路线,摆脱标签依赖但计算昂贵,且在各数据集上的精度并不优于两个监督基线。论文的补充实验还比较了物理引导的数据驱动反演与纯数据驱动方法,讨论自适应数据增强与物理一致性约束的作用。
与生成式与扩散先验方法的对比:扩散模型先验可以以即插即用方式引导反演恢复,学习到的扩散先验也能正则化 FWI 的优化地形。WaveDiffusion 在共享隐空间里联合生成地震数据与速度地图,VelocityGPT 则探索自回归式的逐层速度生成并做不确定性量化。这些方法在 OpenFWI 之外寻找生成先验,与 OpenFWI 提供大规模配对监督的路线互补。
与大规模模型路线的对比:2026 年的后续工作在 OpenFWI 基准上直接报告了十亿参数级模型的结果,把数据驱动的 FWI 精度推到新水平,路线与早期四个基线明显不同——它不再依赖卷积回归,而是把反演写成离散序列生成问题。
与同目录其它基准的定位差异:在本站的收录体系中,OpenFWI 属于反问题类的结构化数据基准,与代理模型降阶、贝叶斯反演这类不确定性量化方向相邻,可与代理模型与降阶集合、不确定性与贝叶斯反演集合对照阅读;在工程落地上,与地震结构工程 AI 条目、油藏数值模拟条目构成从反演算法到工程应用的链路。
六、基准与数据
数据集规模
十二套数据集总计约 2.1 TB,样本量跨度从 2K 到 67K。
- Vel 族:FlatVel-A、FlatVel-B、CurveVel-A、CurveVel-B,各 43 GB,训练 24K、验证 6K,输入 (5, 1000, 70),输出 (1, 70, 70)。A 版为简单结构,B 版为困难版本。
- Fault 族:FlatFault-A、FlatFault-B、CurveFault-A、CurveFault-B,各 77 GB,训练 48K、验证 6K,输入输出形状与 Vel 族一致,地质含义是平层或曲层加一条断层。
- Style 族:Style-A、Style-B,各 95 GB,训练 60K、验证 7K,由自然图像风格迁移生成;A 版速度地图经高斯滤波平滑且地震数据事件较少,B 版为高分辨率版本。
- Kimberlina 族:Kimberlina-CO2 为 96 GB,训练 15K、验证 4430,输入 (9, 1251, 101),输出 (1, 401, 141);3D Kimberlina-V1 为 1.4 TB,训练 1664、验证 163,输入 (25, 5001, 40, 40),输出 (1, 350, 400, 400)。
三个二维基线的指标
评测用 MAE、RMSE 与 SSIM 三项指标。InversionNet 与 VelocityGAN 各报告 ℓ1 与 ℓ2 两种损失下的结果,UPFWI 使用 ℓ1 加 ℓ2 加感知损失的组合。
在相对简单的 FlatVel-A 上,InversionNet 的 ℓ1 结果为 MAE 0.0131、RMSE 0.0211、SSIM 0.9895,ℓ2 为 MAE 0.0111、RMSE 0.0180、SSIM 0.9887;VelocityGAN 的 ℓ1 为 MAE 0.0118、RMSE 0.0178、SSIM 0.9916;UPFWI 为 MAE 0.0621、RMSE 0.1233、SSIM 0.9565。困难版本 CurveVel-B 上,InversionNet ℓ1 降到 MAE 0.1497、SSIM 0.6727,VelocityGAN ℓ1 为 MAE 0.1268、SSIM 0.7111,UPFWI 为 MAE 0.1777、SSIM 0.6614。断层族最难的 CurveFault-B 上,InversionNet ℓ1 为 MAE 0.1646、SSIM 0.6163,UPFWI 降至 SSIM 0.3941。
Kimberlina-CO2 上,论文给出的 InversionNet ℓ1 结果为 MAE 0.0061、RMSE 0.0374、SSIM 0.9872,VelocityGAN ℓ1 为 MAE 0.0122、RMSE 0.0574、SSIM 0.9716,ℓ2 为 MAE 0.0119、RMSE 0.0387、SSIM 0.9527。UPFWI 因计算成本高未在该数据集上评测。
三维方面,InversionNet3D 在 3D Kimberlina-V1 上按三组选取道集报告指标,MAE 分别为 0.0111、0.0108 与 0.0161,对应 SSIM 0.9773、0.9776 与 0.9356。
训练成本
论文给出的训练时间基于 NVIDIA Tesla P100。InversionNet 在 Vel 族需 2 小时、Fault 族 4 小时、Style 族 5.5 小时、Kimberlina-CO2 3.5 小时、3D 数据集 5.5 小时;VelocityGAN 对应为 8.6 小时、16 小时、30 小时、32 小时,三维为不适用;UPFWI 为 30 小时、60 小时、60 小时,后两类数据集未评测。UPFWI 与 InversionNet3D 的训练占用 32 张 GPU,其余方法使用单张 GPU。
泛化与不确定性
泛化实验在 Vel、Fault、Style 三族的十个数据集上做两两测试,选用 VelocityGAN 在各数据集上训练最好的模型在另外九个数据集上评测,指标为 SSIM,得到 10 × 10 的热力矩阵。结论有两层:族内比较时,热力图下三角的取值始终大于上三角,说明从困难数据集泛化到容易数据集比反向更可行;跨族比较时,固定源数据集后,复杂度上升的目标数据集上泛化表现下降,A 版本的节点度数始终高于 B 版本,Style-B 与其它族之间没有入边也没有出边,因而是泛化上的困难样本。
不确定性量化以 CurveVel-A 上的 InversionNet 为案例,结果是边界处的不确定性高于其它区域,说明边界附近的预测更敏感;噪声水平上升时不确定性逐渐增大;跨数据集的不确定性明显高于同数据集内训练与测试的情形,指向域偏移会推高不确定性。
七、物理 AI 场景中的用法
作为回归任务的评测底座:OpenFWI 提供配对的地震数据与速度地图,是标准的监督回归数据集,可以直接接入任何下游网络,与物理基础模型集合中的表征学习路线互补——前者依赖大规模合成数据预训练,后者依赖领域内的严格评测。
作为复杂度的自变量:三个复杂度指标与 SSIM 的负相关关系给出了一条可操作的判据:先估计目标场景的速度地图复杂度,再据此判断某个基线的误差量级是否可接受。这比只看平均精度更贴近工程判断。
作为泛化压力测试场:十个数据集的两两泛化矩阵提供了现成的评测协议。真实野外数据与训练数据分布不同,跨域泛化能力因此是决定落地成败的关键环节,OpenFWI 把这个难题变成了可复现的基准。
作为物理引导方法与纯数据驱动方法的对照台:UPFWI 代表把可微前向建模接进训练回路的物理一致路线,与纯监督方法在同一批数据上直接可比。若与数值与求解器集合中的工业级求解器配合,还能评估混合方案在精度与成本上的取舍。
作为不确定性的来源:InversionNet 的不确定性可视化说明边界区域的预测需要额外审慎,这与物理信息神经网络入门集合关注的病态反演问题在方法论上相通——两者都指向用物理先验约束数据驱动反解。
作为三维与真实基准的过渡:3D Kimberlina-V1 是首个大规模公开的三维 FWI 数据集,由多家机构生成并在美国能源部 SMART 计划支持下发布,为三维技术研究提供入口。随后出现的大规模模型路线以零样本方式把二维合成数据训练出的模型直接迁移到 Marmousi、SEG/EAGE Salt 与 Overthrust、2004 BP、Sigsbee、SEAM Phase I 等真实基准上,OpenFWI 正是这类训练数据的来源之一。
八、不适用场景与失效模式
跨域泛化失效是首要风险。论文的核心发现之一就是数据驱动 FWI 的泛化能力差,且退化程度与地下结构复杂度相关。从十数据集两两泛化矩阵可以看到,把在单一结构族上训练的模型直接用到结构迥异的场景,SSIM 可能落到 0.6 以下,Style-B 这类高复杂度样本几乎不与其他族连通。工程上把合成数据训练的模型直接投到野外数据时,应预期显著退化。
复杂结构下的精度天花板。CurveVel-B、CurveFault-B、Style-B 上三个基线的 SSIM 普遍落在 0.6 到 0.76 区间,UPFWI 在 CurveFault-B 上只剩 0.3941。要求高保真成像的储层描述或速度模型更新场景,这些基线远不够用。
噪声敏感性。鲁棒性实验显示,在干净数据上训练、在含噪地震数据上测试会随噪声增强而退化,其中 InversionNet 对噪声最为敏感。实际采集数据的信噪比通常低于合成数据,直接迁移的风险因此进一步放大。
计算成本失衡。UPFWI 与 InversionNet3D 的训练占用 32 张 GPU 且耗时显著长于监督基线,论文把计算效率列为四项待解挑战之一。三维方向还受制于显存占用,InversionNet3D 通过对道集下采样控制成本,作者也指出这可能带来信息损失。
覆盖范围缺口。UPFWI 未在 Kimberlina-CO2 与三维数据集上给出结果;被动源成像只有补充材料中的事件拾取初步试验。地震预警这类依赖被动源或多次事件累积的场景,这套基准无法直接支撑。
数据体量门槛。单套数据 43 GB 起,三维数据集 1.4 TB,完整训练需准备相当可观的存储与内存。FWIDataset 在 preload=True 时会把样本预先载入内存,资源规划需按此估算。
许可约束。数据采用 CC BY-NC-SA 4.0,非商业使用与相同方式共享两条限制会直接约束商业化的数据管线设计。
环境陈旧。仓库要求 PyTorch 1.7.1 与 torchvision 0.8.2 严格对齐,这是 2021 年的版本组合,在较新的 CUDA 与驱动上部署需要额外的兼容性处理。
九、版本与口径核对
仓库身份与许可:仓库全名 lanl/OpenFWI,创建于 2022 年 8 月 4 日,最近一次推送为 2025 年 4 月 7 日,默认分支 main,主语言 Python,未归档。GitHub API 报告的许可为 BSD 3-Clause,与仓库根目录 LICENSE 文件一致,文件中的版权行为 Copyright (c) 2022, Los Alamos National Laboratory。README 开头另有一段 BSD 三条款的摘要文字。数据许可不在代码仓库内,需以项目主页数据页标注的 CC BY-NC-SA 4.0 为准。
论文版本:论文 arXiv 编号 2111.02926,首版发布于 2021 年 11 月 4 日,当前为 v6,更新于 2023 年 6 月 24 日,九位作者依次为 Chengyuan Deng、Shihang Feng、Hanchen Wang、Xitong Zhang、Peng Jin、Yinan Feng、Qili Zeng、Yinpeng Chen、Youzuo Lin,作者备注中标明被 NeurIPS 2022 数据集与基准赛道接收。文档站给出的 BibTeX 标题为 OpenFWI: Large-Scale Multi-Structural Benchmark Datasets for Seismic Full Waveform Inversion,而仓库 README 引用的标题为 OpenFWI: Benchmark Seismic Datasets for Machine Learning-Based Full Waveform Inversion,两处标题表述不同,引用时以 arXiv 正式标题为准。
基线方法数与代码可用性的口径分离:项目层面始终写「四种深度学习方法」,代码层面 README 写的是覆盖十个数据集、完整支持 InversionNet 与 VelocityGAN 两家,UPFWI 与 InversionNet3D 待批准入库。两组数字对应不同问题,不应混用。
数据集数量与发布时间线:数据页列出十二套数据集,十一个二维加一个三维。项目更新日志记录了节奏——2022 年 6 月 13 日首次正式发布十一个二维数据集,2022 年 8 月 15 日代码与预训练模型发布,2022 年 9 月 17 日论文被 NeurIPS 接收,2022 年 11 月 16 日基准更新修正了部分错误并与预训练模型结果对齐,2023 年 6 月 22 日 3D Kimberlina-V1 在 EDX 发布。因此「十二套数据集」与「十一个二维数据集」两个说法对应不同时间点。
官方基准表的数值差异:项目主页的基准页与论文表格存在小幅数值差异,例如 UPFWI 在 FlatVel-A 上的 SSIM 在主页记为 0.9563,论文表格记为 0.9565;主页的 InversionNet 二维基准表未列出 Kimberlina-CO2 行,而论文表格给出了该行的 MAE 0.0061、RMSE 0.0374、SSIM 0.9872。引用具体数字时应注明来源是主页基准页还是论文表格。
大模型基线的时间归属:官网基准页新增的「2D Benchmark by Large Model (with Latent GD)」分组引用 2026 年发表的论文,全部十套二维数据集的 MAE 均值记为 0.0136,其中 FlatVel-A 为 0.0043、CurveVel-B 为 0.0169、Style-B 为 0.0282。这组数字属于 2026 年的新增基线,与论文中的四个原始基线分属不同时间。
训练时间的硬件前提:论文的训练时间表标注基于 NVIDIA Tesla P100,且区分单 GPU 与 32 GPU 两种配置。更换硬件后耗时会等比例变化,跨方法比较时必须保留硬件与卡数前提。
团队构成:团队页列出九位成员,分布为 LANL 内部五位,另有 Rutgers University、Michigan State University、Pennsylvania State University 与 Microsoft Research 的合作者,Qili Zeng 现任职于 Qualcomm。联系邮箱 openfwi@gmail.com,另有 Google 群组用于接收更新。
十、参考资料
- Deng C., Feng S., Wang H., Zhang X., Jin P., Feng Y., Zeng Q., Chen Y., Lin Y. OpenFWI: Large-Scale Multi-Structural Benchmark Datasets for Seismic Full Waveform Inversion. arXiv:2111.02926 (2021,v6 更新于 2023-06-24).
- OpenFWI 项目主页与数据集页. https://openfwi-lanl.github.io/ 与 https://openfwi-lanl.github.io/docs/data.html
- lanl/OpenFWI 代码仓库. https://github.com/lanl/OpenFWI
- OpenFWI 官方基准结果页. https://openfwi-lanl.github.io/docs/benchmark.html
- OpenFWI 项目更新日志页. https://openfwi-lanl.github.io/docs/update.html
- OpenFWI 论文与数据集列表页. https://openfwi-lanl.github.io/docs/pub.html
- OpenFWI 团队成员页. https://openfwi-lanl.github.io/docs/team.html
- OpenFWI 教程与 Colab 演示. https://openfwi-lanl.github.io/tutorial/
- Wu Y., Lin Y. InversionNet: A Real-Time and Accurate Full Waveform Inversion with CNNs and continuous CRFs. arXiv:1811.07875 (2018).
- Zhang Z., Wu Y., Zhou Z., Lin Y. VelocityGAN: Subsurface Velocity Image Estimation Using Conditional Adversarial Networks.
- Zeng Q., Feng S., Wohlberg B., Lin Y. InversionNet3D: Efficient and Scalable Learning for 3D Full Waveform Inversion. arXiv:2103.14158 (2021).
- Jin P., Zhang X., Chen Y., Huang S. X., Liu Z., Lin Y. Unsupervised Learning of Full-Waveform Inversion: Connecting CNN and Partial Differential Equation in a Loop. arXiv:2110.07584 (2021).
- Feng S., Lin Y., Wohlberg B. Multiscale Data-driven Seismic Full-waveform Inversion with Field Data Study. arXiv:2103.04007 (2021).
- Feng Y., Chen Y., Jin P., Liu Z., Lin Y. An Intriguing Property of Geophysics Inversion.
- Lin Y., Theiler J., Wohlberg B. Physics-Guided Data-Driven Seismic Inversion: Recent Progress and Future Opportunities in Full Waveform Inversion.
- Feng Y., Jin P., Guo Y., Chen Y., Lin Y. Improving Full Waveform Inversion in Large Model Era. arXiv:2603.00377 (2026).
- Feng S., Jin P., Wang H., Zhang X., Chen Y., Lin Y. Unsupervised Learning of Full-Waveform Inversion 相关工作与 OpenFWI 评测协议.
- Rojas-Gómez R., Yang J., Lin Y., Theiler J., Wohlberg B. Physics-Consistent Data-Driven Waveform Inversion With Adaptive Data Augmentation.
- lanl/OpenFWI 仓库内
dataset_config.json,各数据集生成与归一化参数. - lanl/OpenFWI 仓库内
split_files/目录,36 份训练与验证样本清单. - Po-Hsun Su. pytorch-ssim,SSIM 指标实现,OpenFWI 借用.
- U.S. Department of Energy SMART Initiative,3D Kimberlina-V1 的生成与发布支持.