【科研周报】初始速度先验引导的单步生成式全波形反演
一、结论先行
本周的主要工作不是继续叠加新网络模块，而是对现有方法进行结果收敛、严格评估和论文整理。目前已经形成一套数据隔离明确、指标统一、能够重复生成图表的 CurveVelA 正式实验协议。
当前最稳妥的结论是：三通道初始速度先验能够显著稳定 Diffusion 和 iMF 两类生成目标；空间可靠性门控可以进一步抑制单步 iMF 的局部颗粒伪影，并在只进行一次 U-Net 求值的条件下取得较好的质量与效率折中。
在全部 6,000 个 CurveVelA 官方测试样本上，最终方法相对独立 InversionNet 先验的提升为：PSNR 增加 0.1670 dB，SSIM 增加 0.0119，MAE 降低 2.53%，LPIPS 降低 16.94%，Boundary MAE 降低 2.38%。该提升具有稳定性，但幅度总体有限，因此论文不会宣称"全面超过所有方法"或"达到通用最优"。
二、当前方法框架
首先使用独立训练的 InversionNet 从多炮地震记录中生成粗速度模型 ppp。随后仅从 ppp 本身构造三通道先验：
q=Catp, Bσ(p), E(p), q=\operatorname{Cat}\leftp,\\,B_{\\sigma}(p),\\,E(p)\\right, q=Catp,Bσ(p),E(p),
其中 Bσ(p)B_{\sigma}(p)Bσ(p) 表示高斯平滑后的低波数趋势，E(p)E(p)E(p) 表示由 Sobel 算子提取的界面提示。该过程不使用真实速度标签生成测试输入。
地震编码器和 predata 编码器分别提取观测特征与速度先验特征，融合后作为条件输入 iMF 骨干。iMF 在推理阶段只进行一次条件 U-Net 求值，生成候选速度模型 v^iMF\widehat v_{\mathrm{iMF}}v iMF。最后，轻量门控网络估计逐像素可靠性 CCC，完成自适应融合：
v^=C⊙p+(1−C)⊙v^iMF. \widehat v=C\odot p+(1-C)\odot\widehat v_{\mathrm{iMF}}. v =C⊙p+(1−C)⊙v iMF.
该方法属于生成式 DL-FWI，目前未加入波动方程数据残差，因此不把它描述为传统 PDE-FWI，也不宣称已经解决周期跳跃问题。
三、完成的实验
1. 统一正式数据协议
- 训练集：CurveVelA 训练文件 1--47，共 23,500 个样本；
- 验证集：训练文件 48，共 500 个独立样本；
- 测试集：官方
test_data，共 6,000 个样本； - 测试随机种子：0、1、2；
- 评价指标：PSNR、SSIM、MSE、MAE、UQI、LPIPS、Boundary MSE 和 Boundary MAE。
所有正式模型均使用相同测试集、归一化方式和边界误差定义。旧的 detector、CAFR、StripModule、Wavelet 等探索结果不进入论文主表。
2. CurveVelA 正式主结果
| 方法 | PSNR ↑ | SSIM ↑ | MAE ↓ | LPIPS ↓ | Boundary MAE ↓ |
|---|---|---|---|---|---|
| InversionNet prior | 23.2815 | 0.7877 | 0.037668 | 0.082548 | 0.065667 |
| Seismic-only Diffusion | 16.7762 | 0.4647 | 0.100049 | 0.161431 | 0.132381 |
| Prior-guided Diffusion | 22.5888 | 0.7096 | 0.042798 | 0.053398 | 0.070005 |
| Seismic-only iMF | 16.1169 | 0.4379 | 0.123603 | 0.486008 | 0.155236 |
| Prior-guided one-step iMF | 23.3618 | 0.7496 | 0.038700 | 0.072394 | 0.065780 |
| Reliability-gated PG-iMF-FWI | 23.4485 | 0.7996 | 0.036717 | 0.068563 | 0.064103 |
结果说明：
- 三通道先验将 Diffusion 的 PSNR 从 16.7762 dB 提升到 22.5888 dB，将 iMF 的 PSNR 从 16.1169 dB 提升到 23.3618 dB，证明先验作用不依赖单一生成目标。
- 原始单步 iMF 仍存在颗粒纹理和局部结构不稳定问题；可靠性门控进一步改善了 SSIM、MAE、LPIPS 和 Boundary MAE。
- Diffusion 的 LPIPS 仍低于最终 iMF 方法，因此当前结果体现的是质量与效率折中，而不是所有指标上的绝对最优。
3. 配对统计与结果稳定性
以每个官方测试速度模型为独立分析单元，对三个 iMF 采样种子先求均值，再进行 10,000 次配对 bootstrap。相对 InversionNet，最终方法的 PSNR 提升 95% 置信区间为 0.1589,0.17510.1589,0.17510.1589,0.1751 dB；MAE、LPIPS 和 Boundary MAE 的相对改善分别为 2.53%、16.94% 和 2.38%。各指标的逐样本胜率约为 73.1%--79.8%。
该结果说明提升虽然不大，但并非由少量"好看样本"造成。
4. 单步采样效率
| 采样器 | NFE/步数 | 纯采样时间（ms/sample） | PSNR（dB） | 相对 DDIM-20 加速 |
|---|---|---|---|---|
| Reliability-gated iMF | 1 | 8.519 | 23.514 | 18.98× |
| DDIM | 5 | 39.620 | 22.796 | 4.08× |
| DDIM | 10 | 79.620 | 22.817 | 2.03× |
| DDIM | 20 | 161.707 | 22.644 | 1.00× |
测试设置为 500 个样本、批量大小 10、重复 3 次。表中时间只表示匹配条件下的纯采样阶段，不能写成完整端到端推理时间。
predata 提高生成稳定性，空间门控改善结果，单步 iMF 提高采样效率。
5. 高斯噪声鲁棒性实验
本周完成了未参与方法筛选的 5,500 个官方测试样本上的端到端高斯噪声实验。冻结 iMF 和可靠性门控，只替换在线构造 predata 的 InversionNet。
| 输入条件 | 基础先验 PSNR | 噪声感知先验 PSNR | 基础先验 Boundary MAE | 噪声感知先验 Boundary MAE |
|---|---|---|---|---|
| Clean | 23.4447 | 23.5983 | 0.064130 | 0.063673 |
| Gaussian 2% | 19.6962 | 23.3577 | 0.097461 | 0.065423 |
在 2% 高斯振幅噪声下，噪声感知先验使最终 PSNR 提升约 3.66 dB，并使 Boundary MAE 降低约 32.87%。但是在干净输入下，LPIPS 从 0.0686 轻微增加到 0.0706，因此只能表述为对高斯振幅噪声的有效增强，不能推广为对任意非独立同分布噪声或真实现场噪声的鲁棒性。
噪声首先破坏 InversionNet 生成的初始先验，而对 InversionNet 进行噪声增强训练，可以显著稳定后续完整生成式反演流程。
四、本周发现的主要问题
- 重建质量提升仍然有限。 最终方法在 CurveVelA 上稳定超过 InversionNet，但 PSNR 增益只有 0.167 dB，论文不能依靠单一精度增益支撑过强结论。
- 单步生成存在视觉伪影。 原始 iMF 结果容易出现雾状或细颗粒纹理，门控能够缓解但不能完全消除。
- 跨结构泛化不足。 CurveVelA 模型不能直接推广到 CurveFaultA，说明当前方法仍依赖训练分布。
- 不同指标存在折中。 Diffusion 的 LPIPS 更好，iMF 的主要优势是一次网络求值和更高的采样效率。
- 不再继续堆叠模块。 频率门控、投影监督门控、小波残差细化和独立样本集成均未通过预设验收门槛，当前应冻结架构，避免论文主线继续发散。
六、下周计划
- 完成 Figure 1 和 Figure 3 的重绘，并在 183 mm 实际排版尺寸下检查字号、箭头、色标和文本溢出。
- 冻结 CurveVelA 主表，不再增加未经验证的网络模块；统一修改摘要、引言、结果和讨论中的结论强度。
- 完成参考文献逐条核验，检查标题、作者、年份、期刊和 DOI 是否一致。