10月22日下午，西南石油大学计算机与软件学院在明理楼B306举行了“梦溪湖论坛”系列讲座的第四讲。此次讲座聚焦于“基于通过具有课程学习的双解码子网络实现的全波形反演”，主要从问题定义、方法背景与动机、网络架构与训练策略以及实验结果四个部分展开介绍。

本次讲座主讲人为西南石油大学计算机与软件学院2022级软件工程的张星移同学。2022-2023年曾从事多标签学习方向，期间于2023年1月在SCI一区期刊Information Sciences以一作身份发表论文。现主要从事深度学习的全波形反演方向，并于2024年初于SCI一区期刊IEEETGRS中以一作身份发表论文。目前分别于SCI一区期刊IEEE TGRS和一区CCF-A期刊IEEE TPAMI上各有一篇在投论文。也曾作为小组成员参加了第十九届全国研究生数学建模比赛并荣获一等奖，同时连续两年获国家奖学金。

张星移同学首先在问题定义部分对全波形反演（FWI）进行了一个引入。他解释了反演的大致过程可以理解为，在地表（或海上）设置振动源来引发向下的波传导，同时在地表设置接收器来接收这些反馈信号，通过分析人工释放并传回的地震波中的信息来解析地下介质构造。还对地震数据、速度模型、正演、FWI、深度学习的全波形反演（DL-FWI）的基本概念进行介绍，并阐述了传统全波形反演存在的诸多问题。强调了DL-FWI相较于FWI，对于问题的输入输出没变，改变的是策略，改用神经网络来拟合地震数据到速度模型的映射。

在背景和动机部分，张星移同学阐述了DL-FWI的侧重点，即网络架构与训练控制。首先介绍了当前领域内的几个重要网络结构，包括InversionNet、FCNVMB、VelocityGan和SeisInvNet，并讨论了这些模型的优势。接着，介绍了DL-FWI最广泛采取的训练控制是迁移学习，它应对了DL-FWI领域存在的优质数据匮乏问题，即先通过大量的合成数据预训练网络，然后再迁移到数据量较少的优质数据上。除了迁移学习这种分两次的训练，还有多次改变训练策略的渐进学习策略，如自定义先验、自动化等。

针对DL-FWI在设计上少有考虑数据本身的特征与具体的反演问题，张星移同学提出了一种双解码结构来精确反演地下界面。所讲论文的网络架构以U-Net架构作为基础，基于多任务中硬参数共享的思想构建了双端口。第一解码器侧重于重建速度模型，第二解码器用作增强层边界的辅助。随后，介绍了课程学习的总体框架由难度测量器和训练调度器组成。

在实验结果部分，张星移同学展示了DDNet网络在SEG盐数据集和OpenFWI数据集上的应用效果。他通过对比实验，分析了边界轮廓、断层等，证明了DDNet在速度模型重建精度和计算效率方面相较于现有方法的显著优势。

讲座结束后，与硬参数共享问题、课程学习对输入波形做出哪些处理、添加噪声问题、双解码器的效果等问题进行了深入的交流和讨论。此次讲座不仅为学院师生提供了一个了解前沿技术的平台，也激发了大家对深度学习在地球物理勘探中应用的浓厚兴趣。