Overview
这个 topic 关注如何从波场观测恢复地下速度结构。我的当前理解是：FWI 的困难不仅来自数值计算量，也来自目标函数的几何形状、频率信息缺失和先验表达方式。
Lecture Sequence
Lecture 01PDE 正问题和离散化：从波动方程到可计算的 forward operator。
Lecture 02伴随状态法：如何避免显式构造巨大的 Jacobian。
Lecture 03Cycle skipping：为什么局部极小值会如此顽固。
Lecture 04Regularization and priors：从 TV 到 learned prior。
Latest Experiment
Experiment log
目的：测试 TV regularization 能否改善低频缺失时的早期迭代方向。初步结果显示边界变清楚了，但过强正则会牺牲深部结构。
Recent Timeline
测试 TV regularization 对 cycle skipping 的影响
新认识：正则项不是“越强越稳”，它也会改变模型可表达的结构。
把 score prior 接入二维速度模型重建
失败原因更可能是训练分布与反演数据尺度不匹配，而不是 sampling 本身。
整理伴随状态法讲义 v0.2
把矩阵推导改写成连续形式，后续更容易连接 PDE 约束优化。
Open Questions
下一步我想弄清楚 learned prior 在不同尺度上的稳定性：它究竟是在帮助优化，还是在把模型推向训练集里最常见的结构？