High-Fidelity Compression of Seismic Velocity Models via SIREN Auto-Decoders

Deze paper introduceert een hoogwaardig compressieframework op basis van SIREN-auto-decoders dat complexe seismische snelheidsmodellen comprimeert tot compacte latent vectors, waardoor hoge reconstructiekwaliteit, soepele interpolatie en zero-shot super-resolutie mogelijk worden voor geofysische toepassingen.

De kern

Stel je voor dat je een enorme, complexe kaart van de ondergrond van de aarde hebt. Deze kaart toont hoe snel geluidsgolven door verschillende rotslagen reizen. Geologen gebruiken deze "snelheidskaarten" om aardolie te vinden, aardbevingen te voorspellen of te zien of er veilig CO2 in de grond opgeslagen kan worden.

Het probleem? Deze kaarten zijn gigantisch en onhandig. Ze bestaan uit miljoenen kleine vierkante vakjes (een rooster), net als een pixelated foto. Hoe scherper je de foto wilt hebben, hoe meer vakjes je nodig hebt, en hoe zwaarder het bestand wordt om op te slaan. Bovendien zijn deze vakjes "stomp": ze kunnen geen gladde overgangen of scherpe breuken (zoals aardverschuivingen) perfect weergeven zonder rare blokkerige artefacten.

De oplossing in dit artikel: De "Sirene" die de aarde in één zin beschrijft.

De auteurs van dit paper, Caiyun Liu en collega's, hebben een slimme nieuwe manier bedacht om deze kaarten te comprimeren. Ze gebruiken een technologie die Implicit Neural Representations (INR) heet, en specifiek een type dat SIREN (Sinusoidal Representation Networks) wordt genoemd.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Van een foto naar een recept

Stel je voor dat je een heel gedetailleerde foto van een landschap hebt.

• De oude manier (Het Rooster): Je slaat de kleur van elk individueel pixel op. Als je de foto wilt vergroten, zie je alleen maar grote, vierkante blokjes.
• De nieuwe manier (SIREN): In plaats van de pixels op te slaan, schrijf je een recept op. Dit recept is een wiskundige formule die zegt: "Als je op punt X en Y kijkt, is de snelheid van het geluid precies Z."

Dit recept is zo klein dat het in je broekzak past, maar het kan het landschap beschrijven met oneindige precisie. Je kunt het recept gebruiken om een klein plaatje te maken, of het kunt gebruiken om een gigantisch, superscherp plaatje te maken zonder dat het bestand groter wordt.

2. Waarom "SIREN"? (De zingende neuralen)

Normale computerprogramma's (die ze "MLP's" noemen) zijn goed in het leren van grote, saaie vormen, maar ze hebben moeite met scherpe randen en snelle details. Het is alsof ze proberen een snelle muzieknotatie te tekenen met een kwast die alleen grote vlekken kan maken.

SIREN gebruikt echter een heel ander type "kwast": een sinusgolf (een zingende golf).

• Analogie: Stel je voor dat je een rimpelend wateroppervlak moet beschrijven. Een gewone kwast tekent alleen de grote golven. Een SIREN-kwast kan ook de kleine rimpeltjes en de scherpe pieken van de golven perfect nabootsen.
• Door deze "zingende" functie te gebruiken, kan het systeem de scherpe breuken in de aardkorst (zoals fouten in de rots) en de subtiele variaties in de snelheid perfect vastleggen, zonder die vervelende blokkerige randjes.

3. De "Auto-Decoder": Een slimme vertaler

Het team gebruikt een architectuur die een Auto-Decoder heet.

• Hoe het werkt: In plaats van een hele computer te trainen om een foto in te lezen en te verkleinen (een encoder), laten ze de computer een geheime code (een lijstje met 256 getallen) bedenken voor elke kaart.
• Deze 256 getallen zijn de "ziel" van de kaart.
• De "Decoder" is de vertaler die deze 256 getallen leest en er weer een volledig, scherp beeld van maakt.
• Resultaat: Een kaart die normaal 4.900 punten nodig heeft, wordt nu opgeslagen als slechts 256 getallen. Dat is een compressie van 19 tegen 1. Je bespaart enorm veel ruimte!

4. De magische trucs

Dit systeem heeft twee superkrachten die de oude methoden niet hebben:

• De "Tijdmachine" (Interpolatie): Omdat de geheime codes (de 256 getallen) in een gladde ruimte liggen, kun je twee kaarten nemen (bijvoorbeeld één met een rechte laag en één met een gebogen laag) en de codes er tussenin "mixen". Het systeem genereert dan automatisch een nieuw, geloofwaardig landschap dat ergens tussenin ligt. Het is alsof je een video maakt van hoe een aardlaag langzaam vervormt, zonder dat je de tussenstappen hoeft te tekenen.
• De "Zoom-in" zonder kwaliteitsverlies (Super-resolutie): Omdat het een recept is en geen pixel-kaart, kun je het recept gebruiken om een kaart te maken die 4x zo groot is als het origineel. Je klikt op "vergroten" en het systeem berekent de nieuwe, scherpe details direct. Er zijn geen blokken te zien, zelfs niet als je heel dicht inzoomt.

Samenvatting voor de leek

Stel je voor dat je in plaats van een hele bibliotheek vol met gedetailleerde landkaarten op te slaan, je slechts een paar notitieboekjes met recepten opslaat.

1. Klein: De recepten zijn superklein (19x kleiner dan de kaarten zelf).
2. Scherp: De recepten beschrijven de details zo goed dat je zelfs de kleinste scheurtjes in de rots kunt zien.
3. Flexibel: Je kunt de recepten gebruiken om kaarten te maken van elke grootte die je wilt, of om nieuwe, tussenliggende kaarten te "dromen" die er echt uitzien.

De auteurs hebben dit getest op 1.000 verschillende ondergrondkaarten en het werkt uitstekend. Het is een grote stap voorwaarts voor hoe we de aarde onder onze voeten opslaan, analyseren en begrijpen.

Technische samenvatting

Titel: Hoogwaardige compressie van seismische snelheidsmodellen via SIREN Auto-Decoders

Auteurs: Caiyun Liu, Xiaoxue Luo en Jie Xiong (Yangtze University, China)
Publicatiedatum: 17 maart 2026 (Preprint)

---

1. Het Probleem

De nauwkeurige karakterisering van ondergrondse seismische snelheidsstructuren is cruciaal voor toepassingen zoals aardolie-exploratie, aardbevingswaarschuwing en CO2-opslag. Traditioneel worden deze snelheidsmodellen ($v(x, z)$) weergegeven op discrete Cartesische roosters (grids). Hoewel dit compatibel is met numerieke solvers, kent deze aanpak ernstige beperkingen:

• Opslag en I/O: De opslagvereisten groeien kubisch met de resolutie, waardoor hoogwaardige, grootschalige simulaties onbetaalbaar worden.
• Discretisatie-artefacten: Roosters introduceren artefacten die multi-schaal analyse belemmeren en gladde fysische gradiënten onnauwkeurig weergeven, vooral bij scherpe geologische grenzen en breukzones.
• Spectrale bias: Standaard neurale netwerken (MLP's met ReLU-activatie) hebben de neiging om voornamelijk laagfrequente componenten te leren en falen vaak in het vastleggen van hoogfrequente details (zoals scherpe discontinuïteiten), wat essentieel is voor seismische interpretatie.

2. Methodologie

De auteurs stellen een nieuw raamwerk voor dat Implicit Neural Representations (INR's) combineert met SIREN (Sinusoidal Representation Networks) en een Auto-Decoder architectuur.

A. Implicit Neural Representations (INR)

In plaats van een rooster, wordt het snelheidsveld geparametriseerd als een continue neurale functie $f_\theta: (x, z) \to v$. Deze functie mapt ruimtelijke coördinaten direct naar snelheidswaarden, waardoor de representatie resolutie-onafhankelijk is.

B. SIREN Architectuur

Om het probleem van de spectrale bias op te lossen, gebruiken de auteurs SIREN-lagen in plaats van standaard ReLU-lagen.

• Activatiefunctie: Gebruik van periodieke functies van de vorm $\sin(\omega_0 \cdot)$.
• Voordeel: Dit stelt het netwerk in staat om hoogfrequente details en complexe ruimtelijke afgeleiden nauwkeurig te modelleren, wat essentieel is voor het vastleggen van scherpe breuken en geologische interfaces.
• Initialisatie: Specifieke gewichtsinitialisatie wordt toegepast om de verdeling van pre-activaties over de lagen te behouden.

C. Auto-Decoder Framework

In plaats van een traditionele auto-encoder (met een encoder en decoder), gebruiken de auteurs een auto-decoder:

• Laten Codes: Voor elk seismisch model $i$ wordt een unieke, leerbare latente code $z_i$ (dimensionaliteit $d=256$) geoptimaliseerd.
• Gedeelde Decoder: Een enkele SIREN-decoder $f_\theta$ wordt gedeeld over alle monsters.
• Trainingsdoel: De decoder en de latente codes worden gezamenlijk geoptimaliseerd om de reconstructiefout (MSE) te minimaliseren, met een $L_2$-regularisatie op de latente codes om een gladde manifold te garanderen en overfitting te voorkomen.

D. Dataset

De methode is getest op de OpenFWI-benchmark, met 1.000 snelheidskaarten verdeeld over vijf geologische families:

1. FlatVel (Vlakke lagen)
2. CurveVel (Gebogen lagen)
3. FlatFault (Vlakke lagen met breuken)
4. CurveFault (Gebogen lagen met breuken)
5. Style (Complexe patronen uit natuurlijke afbeeldingen)
   Elk model is een $70 \times 70$ raster (4.900 punten).

3. Belangrijkste Bijdragen

1. Nieuwe Toepassing: Eerste toepassing van SIREN auto-decoders voor de compressie van seismische snelheidsmodellen, met een compressieverhouding van 19:1 (van 4.900 punten naar een 256-dimensionale vector).
2. Kwalitatieve Evaluatie: Uitgebreide kwantitatieve evaluatie op 1.000 monsters, waarbij bewezen wordt dat diverse structurele kenmerken (van gladde lagen tot scherpe breuken) behouden blijven.
3. Interpolatie: Demonstratie van een gladde latente ruimte die fysisch plausibele tussenliggende snelheidsstructuren genereert via lineaire interpolatie.
4. Zero-Shot Super-Resolution: Het vermogen om snelheidsvelden te reconstrueren op willekeurige resoluties (tot $4\times$ de originele resolutie, d.w.z. $280 \times 280$) zonder extra training, dankzij de continue aard van de INR.
5. Open Source: Beschikbaarstelling van de implementatie en getrainde modellen voor reproduceerbaarheid.

4. Resultaten

De experimentele resultaten tonen een hoge reconstructiekwaliteit aan:

• Gemiddelde Prestaties: Een gemiddelde PSNR van 32,47 dB en een SSIM van 0,956 over alle 1.000 monsters.
• Prestatie per Familie:
  • Eenvoudige structuren (FlatVel, CurveVel) behalen de hoogste kwaliteit (PSNR > 33 dB).
  • Breukstructuren (FlatFault, CurveFault) zijn moeilijker te comprimeren (PSNR rond 30,5 - 31,3 dB) vanwege de scherpe discontinuïteiten, maar worden toch goed gereconstrueerd.
• Compressie-efficiëntie: De methode reduceert de opslag van 4,9 miljoen zwevende-kommawaarden (voor 1.000 samples) naar slechts 256.000 waarden voor de latente codes (plus de decoder), wat een aanzienlijke besparing oplevert ten opzichte van JPEG2000 of CNN-gebaseerde methoden.
• Super-Resolution: Bij $4\times$ vergroting ($280 \times 280$) blijft de PSNR op een acceptabel niveau van 30,95 dB, wat aantoont dat de methode scherpe randen behoudt zonder hertraining.

5. Betekenis en Toekomstperspectief

Deze studie markeert een belangrijke stap in de geofysische data-verwerking:

• Efficiëntie: Het biedt een schaalbare oplossing voor de opslag van grote datasets met seismische modellen, wat essentieel is gezien de exponentiële groei van data.
• Flexibiliteit: De resolutie-onafhankelijkheid maakt multi-schaal analyse en adaptieve bemonstering mogelijk (bijv. dichtere sampling bij breukzones).
• Toepassing in FWI: De gladde latente ruimte opent de deur voor het integreren van deze compressie in Full Waveform Inversion (FWI). Dit zou inversie direct in de gecomprimeerde latente ruimte mogelijk maken, wat de dimensionaliteit drastisch verlaagt en gebruikmaakt van de geleerde geologische a priori.
• Algemene Wetenschap: Het raamwerk is niet beperkt tot seismiek; het kan ook worden toegepast op andere wetenschappelijke domeinen met gladde variaties en scherpe overgangen, zoals klimaatmodellering en vloeistofdynamica.

Conclusie: Door de representatieve kracht van periodieke activatiefuncties (SIREN) te combineren met de efficiëntie van auto-decoder-architecturen, bereiken de auteurs een overtuigende balans tussen compressieverhouding en reconstructiekwaliteit, terwijl ze nieuwe mogelijkheden bieden voor resolutie-onafhankelijke query's en latente ruimte-exploratie.