[論文レビュー] Interpolation and Denoising of Seismic Data using Convolutional Neural Networks

Sara Mandelli, Vincenzo Lipari+2 more|arXiv (Cornell University)|Jan 23, 2019

Seismic Imaging and Inversion Techniques参考文献 53被引用数 90

ひとこと要約

本論文は、U-net 畳み込みオートエンコーダを用いて欠測地震断面の同時補間と2Dショット集のノイズ除去を行い、合成データおよび現場データにおいて従来法と比較して競争力のある精度を示す。

ABSTRACT

Seismic data processing algorithms greatly benefit from regularly sampled and reliable data. Therefore, interpolation and denoising play a fundamental role as one of the starting steps of most seismic processing workflows. We exploit convolutional neural networks for the joint tasks of interpolation and random noise attenuation of 2D common shot gathers. Inspired by the great contributions achieved in image processing and computer vision, we investigate a particular architecture of convolutional neural network referred to as U-net, which implements a convolutional autoencoder able to describe the complex features of clean and regularly sampled data for reconstructing the corrupted ones. In training phase we exploit part of the data for tailoring the network to the specific tasks of interpolation, denoising and joint denoising/interpolation, while during the system deployment we are able to recover the remaining corrupted shot gathers in a computationally efficient procedure. We consider a plurality of data corruptions in our numerical experiments, including different noise models and different distributions of missing traces. Several examples on synthetic and field data illustrate the appealing features of the aforementioned strategy. Comparative examples show improvements with respect to recently proposed solutions for joint denoising and interpolation.

研究の動機と目的

• 処理ワークフローのために高品質で規則的にサンプリングされた地震データの必要性を動機づける。
• 補間および/またはデノイズを通じて破損した2D地震データを再構成するために、畳み込みオートエンコーダ（U-net）を提案する。
• 見知らぬデータの再構成を可能にするために、汚損対 clean の対となるパッチでネットワークを訓練する。
• さまざまなノイズおよび欠測トレースシナリオの下で、BP-2004の合成データおよび現場データセット上で手法を評価する。

提案手法

• クリーンな地震データのコンパクトな表現を学習するために、U-net畳み込みオートエンコーダを採用する。
• 大規模データ量に対処するため、入力ゲターをパッチ単位で処理する。
• デノイズ、補間、またはデノイズ/補間の結合など、特定のタスクに合わせた損失関数で訓練し、補間のためのマスク付き損失を含む。
• ゲインベースのデノーマライズとパッチごと再構成を用いて、完全なゲターを形成する。
• 主要指標としてS/Nを用いて性能を評価し、整形正則化およびf-xディコンボリューションのベースラインと比較する。
• 頑健性を評価するために、パッチサイズ、オーバーラップ、およびバースト的欠測トレースモデルを検討する。

実験結果

リサーチクエスチョン

• RQ1 U-net畳み込みオートエンコーダは、不規則にサンプリングされた地震データを補間し、2Dショット集のノイズを低減することを学習できるか？
• RQ2 パッチサイズとオーバーラップ戦略は、補間/デノイズ性能と計算効率にどう影響するか？
• RQ3 ランダム欠測トレース、AWGN、バースト的欠測トレースを含む異なる破壊モデルの下で手法はどのように機能するか？
• RQ4 異なるサンプリングレートで取得されたデータを補間する際、転移学習は有効か？
• RQ5 提案されたCNNベースのアプローチは、補間/デノイズにおいて従来の正則化およびディコンボリューション手法とどう比較されるか？

主な発見

• U-netは、欠測トレース、ノイズ、および結合シナリオ全体で、破損したショット集を許容できる精度で再構成できる。
• パッチのオーバーラップはS/Nを向上させ、メモリ効率のためにオーバーラップのないパッチを選択する。パッチサイズN=128はしばしば良い結果をもたらす。
• 補間のみは、パッチサイズが128まで性能が向上し、バースト欠測トレースモデル下で安定することで、S/Nが高くなる。
• ランダム欠測トレースが10–50%の場合、S/Nはバースト性に応じて32.8 dBから18.8 dBの範囲となり、現実的な破壊に対する頑健性を示す。
• デノイズのために、初期S/Nが-15.8 dBのAWGNは大幅に改善でき、例は従来手法より優位性を示す。
• 転移学習の実証は、異なるサンプリングレートで取得されたデータを適切な性能で補間できることを示す。