Migration velocity analysis (MVA) has been widely used for large scale model construction. To make full use of the wavefield information and obtain stable inversion results, wave-equation-based methods, such as differential semblance optimisation (DSO) or travel-time tomography, become popular in recent years. Compared with traditional ray-based methods, wave-equation-based methods are intrinsically more robust, which can accurately describe subsurface wave phenomenon and thus solve multipathing problem occurred in ray-based methods especially in dramatically lateral variation areas. Although robust for wave-equation-based methods, the inversion results can be severely affected by spurious oscillations, such as migration smile, due to uneven illumination and limited geometry observations. To eliminate those artefacts and improve imaging and inversion results, we introduce a new asymptotic inversion method in subsurface offset domain based on two-way wave equation. The new method, derived from the generalised Radon transform, introduces a new weighting function which can be treated as an approximate inverse under the assumption of high-frequency approximation. By applying the new weighting function to the practical applications, the imaging artefacts can be significantly attenuated. Furthermore, we extend the new method to DSO with a new form of velocity inversion expressions. We also give three numerical examples to illustrate the effectiveness of the method. It appears smooth and is free of artefacts both in gradients and imaging results, which leads to stable imaging and reliable model update.

迁移速度分析（MVA）已广泛用于大规模模型构建。近年来，为了充分利用波场信息并获得稳定的反演结果，基于波方程的方法，如微分相似优化（DSO）或走时断层扫描，开始流行。与传统的基于射线的方法相比，基于波方程的方法本质上更加鲁棒，可以准确地描述次表面波现象，从而解决基于射线的方法尤其是在横向变化剧烈的区域中出现的多径问题。尽管基于波方程的方法稳健，但由于光照不均匀和几何观察有限，反演结果可能会受到虚假振荡（例如迁移微笑）的严重影响。为了消除这些伪影并改善成像和反演结果，我们引入了一种新的基于双向波动方程的地下偏移域渐近反演方法。新方法源自广义 Radon 变换，引入了一种新的加权函数，可以将其视为高频近似假设下的近似逆。通过将新的加权函数应用于实际应用，可以显着减弱成像伪影。此外，我们使用新形式的速度反演表达式将新方法扩展到 DSO。我们还给出了三个数值例子来说明该方法的有效性。它看起来很平滑，在梯度和成像结果上都没有人为因素，这导致了稳定的成像和可靠的模型更新。我们引入了一种新的基于双向波动方程的地下偏移域渐近反演方法。新方法源自广义 Radon 变换，引入了一种新的加权函数，可以将其视为高频近似假设下的近似逆。通过将新的加权函数应用于实际应用，可以显着减弱成像伪影。此外，我们使用新形式的速度反演表达式将新方法扩展到 DSO。我们还给出了三个数值例子来说明该方法的有效性。它看起来很平滑，在梯度和成像结果上都没有人为因素，这导致了稳定的成像和可靠的模型更新。我们引入了一种新的基于双向波动方程的地下偏移域渐近反演方法。新方法源自广义 Radon 变换，引入了一种新的加权函数，可以将其视为高频近似假设下的近似逆。通过将新的加权函数应用于实际应用，可以显着减弱成像伪影。此外，我们使用新形式的速度反演表达式将新方法扩展到 DSO。我们还给出了三个数值例子来说明该方法的有效性。它看起来很平滑，在梯度和成像结果上都没有人为因素，这导致了稳定的成像和可靠的模型更新。从广义 Radon 变换导出，引入了一个新的加权函数，在高频近似假设下可以将其视为近似逆。通过将新的加权函数应用于实际应用，可以显着减弱成像伪影。此外，我们使用新形式的速度反演表达式将新方法扩展到 DSO。我们还给出了三个数值例子来说明该方法的有效性。它看起来很平滑，在梯度和成像结果上都没有人为因素，这导致了稳定的成像和可靠的模型更新。从广义 Radon 变换导出，引入了一个新的加权函数，在高频近似假设下可以将其视为近似逆。通过将新的加权函数应用于实际应用，可以显着减弱成像伪影。此外，我们使用新形式的速度反演表达式将新方法扩展到 DSO。我们还给出了三个数值例子来说明该方法的有效性。它看起来很平滑，在梯度和成像结果上都没有人为因素，这导致了稳定的成像和可靠的模型更新。通过将新的加权函数应用于实际应用，可以显着减弱成像伪影。此外，我们使用新形式的速度反演表达式将新方法扩展到 DSO。我们还给出了三个数值例子来说明该方法的有效性。它看起来很平滑，在梯度和成像结果上都没有人为因素，这导致了稳定的成像和可靠的模型更新。通过将新的加权函数应用于实际应用，可以显着减弱成像伪影。此外，我们使用新形式的速度反演表达式将新方法扩展到 DSO。我们还给出了三个数值例子来说明该方法的有效性。它看起来很平滑，在梯度和成像结果上都没有人为因素，这导致了稳定的成像和可靠的模型更新。