Image‐Domain Least‐Squares Migration Through Preconditioned Hessian
Notice bibliographique
Résumé
ABSTRACT Image‐domain least‐squares migration (IDLSM), which typically employs a diagonally dominant Hessian with narrow bandwidth for the inverse problem, provides an efficient deconvolution strategy for subsurface reflectivity imaging. Conventional methods often rely on the adjoint of the Born/Kirchhoff modelling operator to compute the Hessian matrix. However, the adjoint‐derived Hessian is highly ill‐conditioned, leading to slow convergence during linear inversion and resulting in images with undesired resolution and amplitude fidelity. To overcome these limitations, this study introduces a novel IDLSM approach that integrates the state‐of‐the‐art migration operator. We derive and compute the preconditioned Hessian matrix through a Kirchhoff migration engine with source‐side and receiver‐side illumination. The preconditioned Hessian matrix exhibits identical values along its main diagonal. This illumination compensation will explicitly reduce the condition number of the Hessian matrix and significantly improve the quality of migrated images in terms of amplitude fidelity. In addition, we remove redundant source wavelets from the migrated image and the Hessian matrix. As a result, these improvements will greatly accelerate the convergence of linear inversion solvers while enhancing the resolution and amplitude fidelity of the resulting images. Experiments on synthetic and field datasets demonstrate that the proposed IDLSM method retrieves high‐fidelity reflectivity images with superior resolution and amplitude fidelity compared to conventional IDLSM techniques.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».