arXiv 2026年10月5日作者提出物理引导多模态变分自编码器（PG-VAE），用多流融合策略把原始炮集与频谱频散图像映射为独立潜特征，用带学习转置卷积与残差细化的解码器偏向层状地球模型，并以可微代理网络作为前向一致性正则项惩罚违反瑞雷波频散物理的预测；网络在弹性建模生成的合成数据上训练、在未见合成数据上验证，随后在德州Devine试验场超高清密度野外数据集上评估，并用Grad-CAM检查贡献于预测的输入特征。作者提出物理引导多模态变分自编码器（PG-VAE），用多流融合策略把原始炮集与频谱频散图像映射为独立潜特征，用带学习转置卷积与残差细化的解码器偏向层状地球模型，并以可微代理网络作为前向一致性正则项惩罚违反瑞雷波频散物理的预测；网络在弹性建模生成的合成数据上训练、在未见合成数据上验证，随后在德州Devine试验场超高清密度野外数据集上评估，并用Grad-CAM检查贡献于预测的输入特征。物理引导变分自编码器实现多模态面波反演，并在德州Devine试验场超高清数据集上完成评估作者提出物理引导多模态变分自编码器（PG-VAE），用多流融合策略把原始炮集与频谱频散图像映射为独立潜特征，用带学习转置卷积与残差细化的解码器偏向层状地球模型，并以可微代理网络作为前向一致性正则项惩罚违反瑞雷波频散物理的预测；网络在弹性建模生成的合成数据上训练、在未见合成数据上验证，随后在德州Devine试验场超高清密度野外数据集上评估，并用Grad-CAM检查贡献于预测的输入特征。作者提出物理引导多模态变分自编码器（PG-VAE），用多流融合策略把原始炮集与频谱频散图像映射为独立潜特征，用带学习转置卷积与残差细化的解码器偏向层状地球模型，并以可微代理网络作为前向一致性正则项惩罚违反瑞雷波频散物理的预测；网络在弹性建模生成的合成数据上训练、在未见合成数据上验证，随后在德州Devine试验场超高清密度野外数据集上评估，并用Grad-CAM检查贡献于预测的输入特征。