[論文レビュー] 3D Conditional Generative Adversarial Networks to enable large-scale seismic image enhancement

Praneet Dutta, Bruce Power+11 more|arXiv (Cornell University)|Nov 16, 2019

Seismic Imaging and Inversion Techniques参考文献 7被引用数 11

ひとこと要約

本稿では、堆積物質の分類情報を活用して周波数成分を向上させ、ノイズを低減することで、大規模な地震画像の強調を実現する3次元条件付きGANフレームワークを提案する。早期、中間、後期の統合戦略を用いて確率的または決定的条件付き特徴を統合することで、PSNRとSSIMの両面で顕著な向上を達成し、ベースラインのSRGAN比でPSNRが最大12.21%向上する。これは、地球物理的探査における低SNR地震ボリュームの強調において優れた性能を示している。

ABSTRACT

We propose GAN-based image enhancement models for frequency enhancement of 2D and 3D seismic images. Seismic imagery is used to understand and characterize the Earth's subsurface for energy exploration. Because these images often suffer from resolution limitations and noise contamination, our proposed method performs large-scale seismic volume frequency enhancement and denoising. The enhanced images reduce uncertainty and improve decisions about issues, such as optimal well placement, that often rely on low signal-to-noise ratio (SNR) seismic volumes. We explored the impact of adding lithology class information to the models, resulting in improved performance on PSNR and SSIM metrics over a baseline model with no conditional information.

研究の動機と目的

• エネルギー探査における正確な地下構造の特徴化を妨げる、3次元地震画像における低信号対ノイズ比（SNR）と低解像度の課題に対処すること。
• 大規模な3次元地震ボリュームにおける周波数成分の強化とノイズ低減を通じて、地震画像品質を向上させること。
• GANベースの画像強調において、地質学的堆積物質分類情報としての条件付き監視の影響を調査すること。
• 3次元地震スーパーレゾリューションにおける条件付き情報の統合戦略（早期、中間、後期）と表現形態（決定的対確率的）を評価すること。
• 条件付きGANが2次元および3次元地震画像強調タスクにおいて、標準的なSRGANを上回ることを実証すること。

提案手法

• 入力と出力の空間次元を維持するため、アップサンプリングの代わりにスキップ接続を用いてSRGANアーキテクチャを3次元地震画像強調に適応する。
• 堆積物質クラスを表す追加の画像チャネルを介して条件情報を導入する—決定的表現ではワンホットエンコーディング、確率的表現では塩クラスのバイナリ確率値を用いる。
• 3つの統合戦略を実装する：早期（入力層）、中間（最初の残差ブロック）、後期（すべての残差ブロックの後）、連結またはドット積算算を用いる。
• 損失関数を、コンテンツ損失（MSEに基づく）と敵対的損失の重み付き和として定式化し、識別器と生成器を堆積物質クラスに条件づける。
• ミニマックス目的関数を用いる：$\min_G \max_D V(D,G) = \mathbb{E}_p[\log D(x|c) + \log(1 - D(G(z|c)))]$、ここで$c$は堆積物質の条件である。
• SEAM Iデータセットから得た合成3次元地震データを用い、5Hzローパスフィルタと50%一様ノイズを加えることで低SNR状態を模擬して学習を実施する。

実験結果

リサーチクエスチョン

• RQ1 条件付きGANは、標準的なSRGANと比較して、3次元地震画像の知覚的・定量的品質を顕著に向上させることができるか？
• RQ2 条件付き表現の選択（決定的対確率的）が、地震応用における画像強調性能に与える影響は何か？
• RQ3 早期、中間、後期のどの統合戦略が、3次元地震スーパーレゾリューションにおける忠実度とディテール保持の最良なトレードオフを実現するか？
• RQ4 堆積物質分類情報の統合が、低SNR地震ボリュームからの地下解釈における不確実性をどの程度低減するか？
• RQ5 地質的事前知識の導入が、2次元および3次元地震画像強調タスクにおけるPSNRおよびSSIM指標を向上させるか？

主な発見

• 確率的条件付き情報で学習したモデルが、ベースラインのSRGANと比較して2次元地震画像で最高のPSNR向上（12.21%）とSSIM向上（19.48%）を達成した。
• 3次元地震強調においては、決定的後期統合モデル（連結）が最良のSSIM（0.98）とPSNR（33.22）を記録し、ベースライン比でSSIMは4.25%向上、PSNRは10.91%向上した。
• 2次元および3次元の両設定において、すべての条件付きモデルがベースラインのSRGANを上回る性能を示し、地質的事前知識の有効性を確認した。
• 分野の専門家による視覚的検証により、強調画像が真値および地質モデルに一致する反射振幅、位相、整合性を保持していることが確認された。
• 確率的条件付きモデルが2次元のすべての指標で決定的モデルを上回り、ソフト確率表現が堆積物質予測における不確実性をよりよく捉えていることが示唆された。
• 条件付き情報がなくても、ベースラインのSRGANは視覚的に妥当な強調を生成したが、定量的性能は著しく低く、条件づけの価値が裏付けられた。