[論文レビュー] A hybrid approach to seismic deblending: when physics meets self-supervision

Nick Luiken, Matteo Ravasi+1 more|arXiv (Cornell University)|May 30, 2022

Seismic Imaging and Inversion Techniques被引用数 9

ひとこと要約

本稿では、プラグアンドプレイ（PnP）フレームワーク内に、物理ベースのモデリングと自己教師付きブラインドスポットノイズ除去ネットワークを統合したハイブリッド地震デブレンド法を提案する。ノイズ除去器は教師なしでオンザフライで訓練され、時間に整合したノイズモデリングを活用することで、教師データが不要な状態で最先端のスパarsityベース手法を上回る性能を発揮しながら、計算コストを効率的に維持し、海洋および陸上調査に一般化可能である。

ABSTRACT

To limit the time, cost, and environmental impact associated with the acquisition of seismic data, in recent decades considerable effort has been put into so-called simultaneous shooting acquisitions, where seismic sources are fired at short time intervals between each other. As a consequence, waves originating from consecutive shots are entangled within the seismic recordings, yielding so-called blended data. For processing and imaging purposes, the data generated by each individual shot must be retrieved. This process, called deblending, is achieved by solving an inverse problem which is heavily underdetermined. Conventional approaches rely on transformations that render the blending noise into burst-like noise, whilst preserving the signal of interest. Compressed sensing type regularization is then applied, where sparsity in some domain is assumed for the signal of interest. The domain of choice depends on the geometry of the acquisition and the properties of seismic data within the chosen domain. In this work, we introduce a new concept that consists of embedding a self-supervised denoising network into the Plug-and-Play (PnP) framework. A novel network is introduced whose design extends the blind-spot network architecture of [28 ] for partially coherent noise (i.e., correlated in time). The network is then trained directly on the noisy input data at each step of the PnP algorithm. By leveraging both the underlying physics of the problem and the great denoising capabilities of our blind-spot network, the proposed algorithm is shown to outperform an industry-standard method whilst being comparable in terms of computational cost. Moreover, being independent on the acquisition geometry, our method can be easily applied to both marine and land data without any significant modification.

研究の動機と目的

• 同時発破による地震データのデブレンドの課題に取り組むこと。これは、連続する発破からの信号が混合するためである。
• 地震逆問題における教師データの欠如を克服するため、ラベル付き学習例を必要としない自己教師付き学習アプローチを開発すること。
• ブレンド作用素の物理モデリングと、トレース単位のコherentノイズに特化した深層ノイズ除去器を組み合わせることで、デブレンド性能を向上させること。
• 再トレーニングや主要なアーキテクチャ変更なしに、海洋および陸上地震データの両方で一般化可能な幾何学に依存しない手法を構築すること。
• 計算コストを従来手法と同等に保ちつつ、優れた再構成品質を達成することで、実用的応用を確保すること。

提案手法

• 本手法は、データ不一致項がブレンド作用素の物理法則に整合するように制御され、学習済みノイズ除去器が事前分布として機能する、プラグアンドプレイ（PnP）フレームワークを採用する。
• 時間軸に沿ったコherentノイズをモデル化できるように、ブラインドスポットアーキテクチャを拡張した、新しい自己教師付きノイズ除去ネットワークを設計する。これにより、バースト型干渉をより効果的に処理できる。
• 現在のノイズ混在推定値を入力として、各PnP反復で自己教師付きでノイズ除去器を訓練する。これにより、クリーンな教師データの必要性が排除される。
• 外部ラベルなしで、現在の反復推定値を対象としたノイズ除去オートエンコーダーの目的関数に従い、各反復で固定エポック数でネットワークを訓練する。
• 内部および外部反復数、ペナルティパラメータρ、およびトレーニングエポック数などのハイパーパramータを調整し、著者らは固定値が一般化しやすい可能性を示唆している。
• 現在の反復推定値とノイズ除去推定値との距離を収束指標として用い、固定反復回数に依存せずに適応的停止を可能にする。

実験結果

リサーチクエスチョン

• RQ1 教師データが不要な状態で、自己教師付き深層ノイズ除去器を物理ベースの逆問題フレームワーク（例：PnP）に効果的に統合できるか？
• RQ2 時間方向に拡張されたブラインドスポットネットワークアーキテクチャは、混合地震データにおけるコherentでトレース単位のノイズに対して、標準的なノイズ除去器と比較してデブレンド性能を向上させるか？
• RQ3 本手法は、計算コストを同程度に保ちつつ、従来のスパarsityベースのデブレンド手法（例：パッチドフーリエ法）よりも再構成精度が優れているか？
• RQ4 本手法は、再トレーニングやハイパーパramータの再調整なしに、海洋および陸上調査の異なる地震調査幾何形状に対し、どの程度頑健であるか？
• RQ5 ネットワーク初期化の影響は最終的なデブレンド結果にどの程度及ぼされ、最適化プロセス中に収束を信頼性高くモニタリングできるか？

主な発見

• 提案手法は、従来のパッチドフーリエ法よりも優れたデブレンド品質を達成しており、10個のランダムシードにおける中央絶対誤差が、ベンチマークを常に下回っている。
• 10個のランダムな重み初期化のうち9つにおいて、最終的なデブレンド結果が従来手法を上回っており、最終相対誤差のボックスプロットから明らかである。
• 適切に選択されたハイパーパラメータのもとで、反復推定値xₖとyₖが互いに近づくことが実証され、理論的収束保証が未確立であっても、実用的収束が示された。
• PnP反復ごとのトレーニングエポック数は、再構成品質および収束に顕著な影響を及ぼすため、最適なパフォーマンスを得るにはこのハイパーパラメータのチューニングが必要である。
• 本手法はネットワーク初期化に対して頑健であり、物理的に情報に基づいた幾何学に依存しない設計のおかげで、海洋および陸上データの両方で良好に一般化される。
• 本手法は、ベンチマーク手法と同等の計算コストを維持しており、実世界の地震処理パイプラインにおける実用的代替手段として有効である。