Parametric Convolutional Dictionary Learning and its Applications to Seismic Data Processing
Notice bibliographique
Résumé
Convolutional dictionary learning (CDL) can represent signals and images via the superposition of components given by the convolution of sparse coefficients (features) and the elements of a dictionary (filters). The filters represent universal signals that can model different images, whereas the coefficients are intrinsic to one particular image. Estimating the coefficients and the filters from a set of observed signals is similar to a blind deconvolution problem where we aim to simultaneously represent a signal via the convolution of two unknown signals. Classical CDL provides data-dependent filters that, in the seismic data processing case, might not have a solid resemblance to typical waveforms that one observes in seismic records. This limits the dictionary’s representation and discriminability, thus suffering from suboptimal denoising or reconstruction results. To address this challenge, we propose a new CDL algorithm. The proposed approach introduces a parametric constraint to enforce simplicity on the filters, guiding the learning process toward a more efficient and structured representation of the data. Specifically, we restrict each filter to include one single waveform parametrizable via a second-order traveltime curve and a seismic wavelet. The learned dictionary comprises linear and parabolic events that adapt adequately to observed seismic waveforms and resemble local Radon transform basis functions. The alternating direction method of multipliers (ADMMs) is adopted to solve the proposed parametric convolutional learning problem. The experimental results demonstrate that the proposed method achieves superior reconstruction results compared to the existing convolutional and patch-based dictionary learning methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».