[論文レビュー] Seismic Data Interpolation via Denoising Diffusion Implicit Models with Coherence-corrected Resampling

Xiaoli Wei, Chunxia Zhang+6 more|arXiv (Cornell University)|Jul 9, 2023

Seismic Imaging and Inversion Techniques被引用数 10

ひとこと要約

本論文は SeisDDIMR を提案する。拡散モデルベースの地震データ補間手法で、 coherence-corrected resampling Strategy を用いて既知トレースに条件付けし、さまざまな欠落パターンに対して堅牢な再構成を実現する。

ABSTRACT

Accurate interpolation of seismic data is crucial for improving the quality of imaging and interpretation. In recent years, deep learning models such as U-Net and generative adversarial networks have been widely applied to seismic data interpolation. However, they often underperform when the training and test missing patterns do not match. To alleviate this issue, here we propose a novel framework that is built upon the multi-modal adaptable diffusion models. In the training phase, following the common wisdom, we use the denoising diffusion probabilistic model with a cosine noise schedule. This cosine global noise configuration improves the use of seismic data by reducing the involvement of excessive noise stages. In the inference phase, we introduce the denoising diffusion implicit model to reduce the number of sampling steps. Different from the conventional unconditional generation, we incorporate the known trace information into each reverse sampling step for achieving conditional interpolation. To enhance the coherence and continuity between the revealed traces and the missing traces, we further propose two strategies, including successive coherence correction and resampling. Coherence correction penalizes the mismatches in the revealed traces, while resampling conducts cyclic interpolation between adjacent reverse steps. Extensive experiments on synthetic and field seismic data validate our model's superiority and demonstrate its generalization capability to various missing patterns and different noise levels with just one training session. In addition, uncertainty quantification and ablation studies are also investigated.

研究の動機と目的

• irregular な欠落トレースの下で堅牢な地震データ補間を動機づける。传统的方法がパターン不一致で苦戦する状況を想定。
• 既知トレースを条件として活用する地震データ補間の拡散確率フレームワークを開発する。
• 推論時に interpolated と既知トレース間の一貫性を高める coherence-corrected resampling strategy を組み込む。
• 提案手法の synthetic および field データを横断した不確実性定量化と堅牢性分析を可能にする。

提案手法

• 地震データの長距離相関を捉えるため、multi-head self-attention を強化した U-Net をバックボーンとする地震デノイズ拡散確率モデル（ DDPM ）を訓練する。
• 早期の reverse-diffusion ステージで意味のある再構成を加速し、忠実度を向上させるために cosine ノイズスケジュールを用いる。
• 条件付き補間のために DDIM を用いた効率的な非マルコフ推論を採用し、known traces を条件として組み込む。
• 推論時に forward diffusion ステップを再導入して coherence を促進する resampling strategy を導入する。
• DDIM ベースのサンプリングスキームによる暗黙的条件付き補間を定式化し、 tunable jump length と jump height を持つ coherence-corrected resampling loop を含む。

実験結果

リサーチクエスチョン

• RQ1 SeisDDIMR は、訓練時に見られなかった異なる欠落パターンに対しても補間を行い、ロバスト性を保てるか。
• RQ2 cosine ノイズスケジュールは地震データにおける補間忠実度を改善するか。
• RQ3 推論時のリサンプリング戦略は既知トレースと補間データの一貫性にどのように影響するか。
• RQ4 ノイズマッチングネットワーク内の multi-head self-attention の長距離地震相関に対する影響は何か。
• RQ5 補間領域の不確実性定量化を提供し、 field データでの堅牢性を示せるか。

主な発見

• 提案する SeisDDIMR フレームワークは、既存手法と比較して欠落パターンの多様性に対する補間品質と堅牢性が優れている。
• cosine ノイズスケジューリングは初期段階の再構成を改善し、補間領域の忠実度を高める。
• coherence-corrected resampling strategy は reverse-diffusion プロセス中の既知トレースと補間データの一貫性を高める。
• 方法は不確実性定量化とロバスト性検証のアブレーション研究をサポートする。
• synthetic および field 地震データの実験は、欠落率シナリオ全体での手法の有効性と安定性を裏付ける。