Decoupled Latent Optimization of Diffusion Models for Full Waveform Inversion

Resumo Técnico: Otimização Latente Desacoplada de Modelos de Difusão para Inversão de Onda Completa

1. Enunciado do Problema

A Inversão de Onda Completa (FWI) é um problema de otimização restrito por EDPs que visa recuperar modelos de velocidade subsuperficiais de alta resolução a partir de registros de campos de onda sísmica. O problema é severamente mal posto e não convexo devido à não linearidade da equação de onda e à iluminação subsuperficial limitada. Isso leva a um cenário de erro (misfit landscape) repleto de mínimos locais, notadamente o fenômeno de "saltos de ciclo" (cycle-skipping), onde a otimização converge para soluções incorretas se o modelo de velocidade inicial for impreciso ou se os dados forem ruidosos/incompletos.

Embora os métodos de regularização clássicos (ex: Tikhonov, Variação Total) estabilizem a inversão, eles frequentemente falham em reproduzir estruturas geológicas realistas, seja suavizando excessivamente detalhes finos ou introduzindo artefatos de degrau (staircase artifacts). Por outro lado, abordagens recentes baseadas em difusão tentam aproveitar priors orientados por dados, mas enfrentam desafios significativos:

• Inconsistência de Restrição Física: Métodos que intercalam passos de gradiente de FWI com amostragem de difusão (ex: DiffusionFWI) lutam para equilibrar as restrições físicas com as marginais com ruído Gaussiano visitadas pelo amostrador, levando a compensações (trade-offs) frágeis de hiperparâmetros.
• Sensibilidade à Inicialização: Métodos que otimizam diretamente no espaço latente de um amostrador de difusão (Otimização Latente) restringem a solução ao manifold aprendido, mas impedem o uso de inicializações fisicamente informadas (ex: modelos de velocidade suavizados) essenciais para evitar o cycle-skipping na FWI clássica. Além disso, o retropropagação através das cadeias compostas de solver de EDP e amostrador desestabiliza os gradientes.

2. Metodologia: Otimização Latente Desacoplada (DLO)

Os autores propõem a Otimização Latente Desacoplada (DLO), um framework que incorpora um modelo de difusão pré-treinado no processo de FWI como um mecanismo de regularização sem os problemas supracitados.

Formulação Central:
Em vez da formulação estrita de otimização latente $\min_z \|F(R_\theta(z)) - d_{obs}\|^2$, a DLO relaxa a restrição de igualdade $v = R_\theta(z)$ em um objetivo de penalidade quadrática sobre duas variáveis: uma variável de velocidade física $v$ e uma variável latente auxiliar $z$. O objetivo é:
$$\min_{v, z} \|F(v) - d_{obs}\|^2 + \lambda \|v - R_\theta(z)\|^2$$
onde:

• $F(v)$ é o operador de onda direta.
• $R_\theta(z)$ é o amostrador DDIM determinístico (o decodificador) que mapeia um vetor latente $z$ para uma amostra de velocidade prior.
• $\lambda$ é um parâmetro de penalidade fixo.

Estratégia de Otimização:
O método emprega um esquema de gradiente descendente alternado:

1. Atualização Física (passo-$v$): A velocidade física $v$ é atualizada usando o gradiente do erro de dados (computado via método do estado adjunto) e um termo de regularização que empurra $v$ em direção à amostra prior atual $R_\theta(z)$. Crucialmente, este passo opera inteiramente no espaço físico, permitindo o uso da inicialização de velocidade suavizada padrão para evitar o cycle-skipping.
2. Atualização Latente (passo-$z$): A variável latente $z$ é atualizada para minimizar a distância entre a velocidade física atual $v$ e a amostra prior decodificada $R_\theta(z)$. Isso envolve a retropropagação através do amostrador DDIM unrolled (uma discretização de ODE determinística) para encontrar o código latente que melhor projeta $v$ no manifold prior aprendido.

Justificativa Teórica:
O artigo fornece uma análise rigorosa mostrando que, conforme $\lambda \to \infty$, os minimizadores da formulação de penalidade convergem para os minimizadores do problema original de otimização latente restrita. No entanto, na prática, utiliza-se um $\lambda$ moderado fixo para evitar o mau condicionamento associado aos métodos de penalidade clássicos, mantendo uma restrição "suave" que direciona a inversão para o manifold geológico aprendido.

3. Principais Contribuições

• Nova Formulação: Introdução da DLO, que desacopla a inversão física do amostrador de difusão, resolvendo o conflito entre os requisitos de inicialização no espaço físico e a necessidade de priors fortes orientados por dados.
• Estabilidade de Gradiente: Ao evitar a retropropagação através da cadeia composta de solver de EDP e amostrador durante a atualização física, o método estabiliza o cenário de otimização.
• Inicialização Robusta: O framework preserva a capacidade de inicializar a FWI com modelos de velocidade suavizados, um requisito crítico para a convergência em problemas não convexos restritos por EDP.
• Quantificação de Incerteza: A natureza estocástica da inicialização latente ($z \sim \mathcal{N}(0, I)$) permite a geração de um ensemble de soluções, fornecendo uma estimativa de incerteza ao nível do pixel que correlaciona positamente com o erro de reconstrução.

4. Resultados Experimentais

Os autores avaliaram a DLO no benchmark OpenFWI (cobrindo regimes geológicos planos, falhados, curvos e falhados complexos) e nos benchmarks fora de distribuição (out-of-distribution) Marmousi e Overthrust.

• Desempenho no OpenFWI: A DLO superou consistentemente os regularizadores clássicos (Tikhonov, TV) e os métodos baseados em difusão existentes (DiffusionFWI, RED-DiffEq) em cenários de aquisição com dados limpos, ruidosos e com traços ausentes. Alcançou métricas superiores (RMSE, MAE, SSIM), particularmente na recuperação de estruturas de falhas intrincadas e detalhes de pequena escala, enquanto suprimiu artefatos.
• Robustez: A DLO demonstrou robustez acentuada ao ruído Gaussiano aditivo (até $\sigma=0.5$) e a perda significativa de traços (até 85,7% de perda de dados), mantendo estruturas geológicas coerentes onde outros métodos degradaram ou produziram artefatos não físicos.
• Generalização: Um prior de difusão treinado exclusivamente em modelos OpenFWI de $70 \times 70$ foi transferido diretamente para os benchmarks maiores e estruturalmente distintos Marmousi e Overthrust sem retreinamento. A DLO recuperou com sucesso folhas de empurrão (thrust sheets) complexas e camadas inclinadas nesses ambientes fora de distribuição.
• Insensibilidade à Inicialização: Diferente das baselines de otimização latente, o desempenho da DLO permaneceu estável através de diferentes graus de suavização do modelo inicial ($\sigma_{init}$), confirmando sua capacidade de alavancar priors físicos efetivamente.
• Correlação de Incerteza: Experimentos mostraram uma forte correlação positiva entre o desvio padrão do ensemble (induzido pela inicialização latente aleatória) e o erro absoluto de reconstrução, validando a média do ensemble como um preditor confiável da qualidade de reconstrução local.

5. Significância e Alegações

O artigo afirma que a DLO representa um avanço significativo na resolução de problemas inversos governados por EDPs, integrando com sucesso priors generativos sem comprometer as restrições físicas ou as estratégias de inicialização necessárias para a convergência.

• Preenchendo a Lacuna: A DLO preenche a lacuna entre o realismo estrutural oferecido pelos modelos de difusão e a estabilidade física exigida pela FWI clássica.
• Aplicabilidade Prática: A robustez da DLO ao ruído, dados ausentes e geologia fora de distribuição sugere um forte potencial para aplicações reais de imagem sísmica, onde a qualidade dos dados e a complexidade geológica variam significamente.
• Escalabilidade: A capacidade de transferir um prior de pequena escala para domínios maiores e complexos sem modificação destaca a escalabilidade da abordagem.

Os autores concluem que o princípio da otimização latente desacoplada é amplamente aplicável a outros problemas de inversão restritos por EDPs onde um prior generativo pré-treinado está disponível, ofereção um caminho para uma imagem de subsuperfície mais precisa e robusta.