[論文レビュー] Propagating the prior from far to near offset: A self-supervised diffusion framework for progressively recovering near-offsets of towed-streamer data

Shijun Cheng, Tariq Alkhalifah|arXiv (Cornell University)|Feb 2, 2026

Seismic Imaging and Inversion Techniques被引用数 0

ひとこと要約

著者らは、far-offsetデータから再帰的外挿を行い、近偏移トレースの欠損を再構成する自己教師付き拡散ベースのフレームワークを提示。アンサンブルサンプリングによる不確実性推定を提供。

ABSTRACT

In marine towed-streamer seismic acquisition, the nearest hydrophone is often two hundred meter away from the source resulting in missing near-offset traces, which degrades critical processing workflows such as surface-related multiple elimination, velocity analysis, and full-waveform inversion. Existing reconstruction methods, like transform-domain interpolation, often produce kinematic inconsistencies and amplitude distortions, while supervised deep learning approaches require complete ground-truth near-offset data that are unavailable in realistic acquisition scenarios. To address these limitations, we propose a self-supervised diffusion-based framework that reconstructs missing near-offset traces without requiring near-offset reference data. Our method leverages overlapping patch extraction with single-trace shifts from the available far-offset section to train a conditional diffusion model, which learns offset-dependent statistical patterns governing event curvature, amplitude variation, and wavelet characteristics. At inference, we perform trace-by-trace recursive extrapolation from the nearest recorded offset toward zero offset, progressively propagating learned prior information from far to near offsets. The generative formulation further provides uncertainty estimates via ensemble sampling, quantifying prediction confidence where validation data are absent. Controlled validation experiments on synthetic and field datasets show substantial performance gains over conventional parabolic Radon transform baselines. Operational deployment on actual near-offset gaps demonstrates practical viability where ground-truth validation is impossible. Notably, the reconstructed waveforms preserve realistic amplitude-versus-offset trends despite training exclusively on far-offset observations, and uncertainty maps accurately identify challenging extrapolation regions.

研究の動機と目的

• SRME、速度分析、FWIなどの処理ステップにおける近偏移データの重要性を動機づける。
• トレーニングに近偏移のグラウンドトゥルース-dataを必要としない自己教師付きフレームワークを開発する。
• far-offsetの冗長性を活用して、 offset-dependentな地震イベントパターンを学習する。
• 近偏移へ向けた遠位からのトレース単位の再帰的外挿を、運動学と振幅を保持しながら実現する。

提案手法

• ノイズ入力xtからクリーンなターゲットパッチx0を条件パッチyで予測する条件付き拡散モデルを使用。
• 近偏移のグラウンドトゥルースを持たずにp(x0|y)を学習するため、1トレースずつシフトした重なりパッチで訓練する。
• DDPMにおけるx0予測を採用して再構成品質を向上。
• DDIMサンプリングを用いて最も近い記録オフセットから0オフセットへ向けてトレース単位で再帰的推論を実行。
• 複数の拡散実現からのアンサンブルサンプリングによる不確実性推定を提供。

実験結果

リサーチクエスチョン

• RQ1 自己教師付き拡散モデルはfar-offsetデータのみでオフセット依存の地震パターンを学習できるか？
• RQ2 farからnearへ近偏移を再帰的に外挿して、運動学と振幅をグラウンドトゥルースと比較して保持できるか？
• RQ3 拡散アンサンブルからの不確実性マップは近偏移再構成における難易度の高い領域を特定できるか？
• RQ4 提案手法はsyntheticおよびfieldデータにおいて、parabolic Radon変換のような変換ベースのベースラインと比較してどうか？

主な発見

• 本手法はsyntheticデータ上でparabolic Radon変換ベースラインより優れた再構成忠実度を達成する。
• 再構成から得られるF-Kスペクトルはグラウンドトゥルーススペクトルと良く一致し、ベースラインと比べてアーティファクトを低減。
• 近偏移トレースの波形はfarからnearへかけて振幅・位相の精度が良好に保持される。
• 不確実性マップは外挿難易度の高い領域を効果的に特定し、後続処理の意思決定を支援。
• fieldデータの結果は、グラウンドトゥルースが得られない実世界の近偏移ギャップに対して実用的な有効性を検証。