Decoupled Latent Optimization of Diffusion Models for Full Waveform Inversion

Resumen Técnico: Optimización de Latente Desacoplada de Modelos de Difusión para la Inversión de Onda Completa

1. Planteamiento del Problema

La Inversión de Onda Completa (FWI, por sus siglas en inglés) es un problema de optimización con restricciones de EDP destinado a recuperar modelos de velocidad del subsuelo de alta resolución a partir de registros de campos de ondas sísmicas. El problema es severamente mal planteado y no convexo debido a la no linealidad de la ecuación de onda y la iluminación limitada del subsuelo. Esto conduce a un paisaje de error lleno de mínimos locales, notablemente el fenómeno de "salto de ciclo" (cycle-skipping), donde la optimización converge a soluciones incorrectas si el modelo de velocidad inicial es inexacto o si los datos son ruidosos o incompletos.

Mientras que los métodos de regularización clásicos (p. ej., Tikhonov, Variación Total) estabilizan la inversión, a menudo fallan en reproducir estructuras geológicas realistas, ya sea sobre-suavizando detalles finos o introduciendo artefactos de tipo escalonado. Por el contrario, los enfoques recientes basados en difusión intentan aprovechar los priors basados en datos, pero enfrentan desafíos significativos:

• Inconsistencia de la Restricción Física: Los métodos que intercalan pasos de gradiente de FWI con el muestreo de difusión (p. ej., DiffusionFWI) luchan por equilibrar las restricciones físicas con los marginales con ruido gaussiano visitados por el muestreador, lo que conduce a compromisos de hiperparámetros frágiles.
• Sensibilidad a la Inicialización: Los métodos que optimizan directamente en el espacio latente de un muestreador de difusión (Optimización de Latente) restringen la solución al manifold aprendido, pero impiden el uso de inicializaciones físicamente informadas (p. ej., modelos de velocidad suavizados) esenciales para evitar el salto de ciclo en la FWI clásica. Además, la retropropagación a través de las cadenas compuestas de resolvedor de EDP y muestreador desestabiliza los gradientes.

2. Metodología: Optimización de Latente Desacoplada (DLO)

Los autores proponen la Optimización de Latente Desacoplada (DLO), un marco que integra un modelo de difusión preentrenado en el proceso de FWI como un mecanismo de regularización sin los inconvenientes mencionados anteriormente.

Formulación Central:
En lugar de la formulación estricta de optimización de latente $\min_z \|F(R_\theta(z)) - d_{obs}\|^2$, DLO relaja la restricción de igualdad $v = R_\theta(z)$ en un objetivo de penalización cuadrática sobre dos variables: una variable de velocidad física $v$ y una variable latente auxiliar $z$. La función objetivo es:
$$\min_{v, z} \|F(v) - d_{obs}\|^2 + \lambda \|v - R_\theta(z)\|^2$$
donde:

• $F(v)$ es el operador de la ecuación de onda hacia adelante.
• $R_\theta(z)$ es el muestreador DDIM determinista (el decodificador) que mapea un vector latente $z$ a una muestra de velocidad previa.
• $\lambda$ es un parámetro de penalización fijo.

Estrategia de Optimización:
El método emplea un esquema de descenso de gradiente alternante:

1. Actualización Física (paso-$v$): La velocidad física $v$ se actualiza utilizando el gradiente del error de los datos (calculado mediante el método del estado adjunto) y un término de regularización que empuja a $v$ hacia la muestra previa actual $R_\theta(z)$. Crucialmente, este paso opera enteramente en el espacio físico, permitiendo la inicialización estándar de velocidad suavizada para evitar el salto de ciclo.
2. Actualización Latente (paso-$z$): La variable latente $z$ se actualiza para minimizar la distancia entre la velocidad física actual $v$ y la muestra previa decodificada $R_\theta(z)$. Esto implica la retropropagación a través del muestreador DDIM desplegado (una discretización de ODE determinista) para encontrar el código latente que mejor proyecta $v$ sobre el manifold del prior aprendido.

Justificación Teórica:
El artículo proporciona un análisis riguroso que muestra que, a medida que $\lambda \to \infty$, los minimizadores de la formulación de penalización convergen a los minimizadores del problema original de optimización de latente restringido. Sin embargo, en la práctica, se utiliza un $\lambda$ moderado y fijo para evitar el mal condicionamiento asociado con los métodos de penalización clásicos, manteniendo al mismo tiempo una restricción "suave" que guía la inversión hacia el manifold geológico aprendido.

3. Contribuciones Clave

• Formulación Novedosa: Introducción de DLO, que desacopla la inversión física del muestreador de difusión, resolviendo el conflicto entre los requisitos de inicialización en el espacio físico y la necesidad de priors fuertes basados en datos.
• Estabilidad de Gradiente: Al evitar la retropropagación a través de la cadena compuesta de resolvedor de EDP y muestreador durante la actualización física, el método estabiliza el paisaje de optimización.
• Inicialización Robusta: El marco preserva la capacidad de inicializar la FWI con modelos de velocidad suavizados, un requisito crítico para la convergencia en problemas de EDP con restricciones no convexas.
• Cuantificación de la Incertidumbre: La naturaleza estocástica de la inicialización latente ($z \sim \mathcal{N}(0, I)$) permite la generación de un ensamble de soluciones, proporcionando una estimación de incertidumbre a nivel de píxel que se correlaciona positivamente con el error de reconstrucción.

4. Resultados Experimentales

Los autores evaluaron DLO en el benchmark OpenFWI (que cubre regímenes geológicos de fondo plano, fallados, curvos y fallados complejos) y en los benchmarks fuera de distribución (out-of-distribution) Marmousi y Overthrust.

• Desempeño en OpenFWI: DLO superó consistentemente a los regularizadores clásicos (Tikhonov, TV) y a los métodos existentes basados en difusión (DiffusionFWI, RED-DiffEq) en escenarios de adquisición de trazas limpias, ruidosas y con trazas faltantes. Logró métricas superiores (RMSE, MAE, SSIM), particularmente en la recuperación de estructuras de falla intrincadas y detalles de escala fina mientras suprimía artefactos.
• Robustez: DLO demostró una marcada robustez al ruido gaussiano aditivo (hasta $\sigma=0.5$) y a la pérdida significativa de trazas (hasta un 85.7% de pérdida de datos), manteniendo estructuras geológicas coherentes donde otros métodos se degradaban o producían artefactos no físicos.
• Generalización: Un prior de difusión entrenado exclusivamente en modelos de $70 \times 70$ de OpenFWI se transfirió directamente a los benchmarks de Marmousi y Overthrust, que son más grandes y estructuralmente distintos, sin necesidad de reentrenamiento. DLO recuperó con éxito hojas de empuje complejas y capas inclinadas en estos entornos fuera de distribución.
• Insensibilidad a la Inicialización: A diferencia de las líneas base de optimización de latente, el desempeño de DLO se mantuvo estable a través de diversos grados de suavizado del modelo inicial ($\sigma_{init}$), confirmando su capacidad para aprovechar eficazmente los priors físicos.
• Correlación de Incertidumbre: Los experimentos mostraron una fuerte correlación positiva entre la desviación estándar del ensamble (inducida por la inicialización latente aleatoria) y el error absoluto de reconstrucción, validando la media del ensamble como un predictor fiable de la calidad de reconstrucción local.

5. Significado y Reivindicaciones

El artículo afirma que DLO representa un avance significativo en la resolución de problemas inversos gobernados por EDP al integrar con éxito priors generativos sin comprometer las restricciones físicas o las estrategias de inicialización necesarias para la convergencia.

• Cerrando la Brecha: DLO cierra la brecha entre el realismo estructural ofrecido por los modelos de difusión y la estabilidad física requerida por la FWI clásica.
• Aplicabilidad Práctica: La robustez de DLO ante el ruido, los datos faltantes y la geología fuera de distribución sugiere un fuerte potencial para aplicaciones de imagen sísmica del mundo real donde la calidad de los datos y la complejidad geológica varían significamente.
• Escalabilidad: La capacidad de transferir un prior de pequeña escala a dominios más grandes y complejos sin modificaciones resalta la escalabilidad del enfoque.

Los autores concluyen que el principio de optimización de latente desacoplada es ampliamente aplicable a otros problemas inversos con restricciones de EDP donde se dispone de un prior generativo preentrenado, ofreciendo un camino hacia una imagen del subsuelo más precisa y robusta.