[論文レビュー] Seismic Data Strong Noise Attenuation Based on Diffusion Model and Principal Component Analysis

Junheng Peng, Yongbo Li+3 more|arXiv (Cornell University)|Sep 10, 2023

Seismic Imaging and Inversion TechniquesEarth and Planetary Sciences被引用数 3

ひとこと要約

本稿では、複数段階にわたりノイズの追加を逆転させるベイジアンインバージョンを用いて、強いノイズの効果的除去を可能にする、拡散モデルに基づく地震データのノイズ低減手法を提案する。主成分分析（PCA）を用いた盲目的なノイズレベル推定を組み合わせることで、ノイズ除去ステップ数を自動的に決定し、合成データおよび実データの両方で優れた性能を発揮するとともに、信号漏れを最小限に抑える。

ABSTRACT

Seismic data noise processing is an important part of seismic exploration data processing, and the effect of noise elimination is directly related to the follow-up processing of data. In response to this problem, many authors have proposed methods based on rank reduction, sparse transformation, domain transformation, and deep learning. However, such methods are often not ideal when faced with strong noise. Therefore, we propose to use diffusion model theory for noise removal. The Bayesian equation is used to reverse the noise addition process, and the noise reduction work is divided into multiple steps to effectively deal with high-noise situations. Furthermore, we propose to evaluate the noise level of blind Gaussian seismic data using principal component analysis to determine the number of steps for noise reduction processing of seismic data. We train the model on synthetic data and validate it on field data through transfer learning. Experiments show that our proposed method can identify most of the noise with less signal leakage. This has positive significance for high-precision seismic exploration and future seismic data signal processing research.

研究の動機と目的

• 従来の手法が失敗する強力なノイズ条件下でも、効果的なランダムノイズ低減を実現する挑戦に応えること。
• 高ノイズ環境下で困難をきたす、パrameterに敏感な従来手法およびディープラーニングモデルの限界を克服すること。
• 事前のノイズレベルの知識を必要としない、適応的で盲目的なノイズ低減フレームワークを構築すること。
• 段階的ノイズ除去を可能にするベイジアン推論と拡散モデリングを統合し、信号再構成の正確性を向上させること。
• PCAを用いたノイズ評価システムを構築し、最適なノイズ除去ステップ数を決定することで、耐性および一般化性能を向上させること。

提案手法

• ベイジアン推論を用いて、ノイズ追加プロセスを逆転させ、複数段階にわたり段階的に地震データをノイズ除去する拡散モデルを活用する。
• スコアベースの拡散プロセスを適用し、ノイズを含む入力から逆方向のノイズ除去軌道を学習することで、段階的にノイズを除去する。
• PCAを用いて、盲目的なガウス分布に従う地震データのノイズレベルを評価し、信号対ノイズ比（SNR）を推定してノイズ除去ステップ数をガイドする。
• 合成データで拡散モデルを訓練し、実現地データで検証することで、実用的応用への一般化を確保する。
• U-Netベースのノイズ除去ネットワークを拡散フレームワーク内に統合し、複雑なノイズ分布をモデル化し、微弱な信号成分を保持する。
• ネットワークの深さ（3層のダウンサンプリング）、隠れ次元 [128, 256, 512]、PCAに基づくノイズ評価のための9×9ウィンドウサイズといったハイパーパramータを最適化し、飽和を回避するとともに、異なるノイズレベルの区別を確実にする。

実験結果

リサーチクエスチョン

• RQ1 標準的手法が失敗する高ノイズ状態の地震データから、弱い信号を拡散モデルが効果的に再構成できるか？
• RQ2 PCAを用いることで、盲目的なガウス分布に従う地震データのノイズレベルをどのように推定し、ノイズ除去ステップ数をガイドできるか？
• RQ3 提案手法は、従来手法およびディープラーニングベース手法と比較して、より優れたノイズ低減性能とより少ない信号漏れを達成できるか？
• RQ4 多様なノイズレベルと構造的複雑性を有する地震データに対して、本手法はどれほど耐性があるか？
• RQ5 合成データから実現地データへのトランスファーラーニングは、ファインチューニングなしで高いノイズ除去性能を維持できるか？

主な発見

• F3オランダデータセットでは、平均ローカル類似度が0.1126を達成し、f-xデコンボリューション（0.2008）、HSLR（0.1256）、TDAE（0.2375）を上回り、ノイズ抑制効果が高く信号歪みが小さいことを示した。
• Kerry-3Dデータセットでは、平均ローカル類似度が0.1604にまで低下し、f-xデコン（0.2969）、HSLR（0.2188）、TDAE（0.1954）を下回り、複雑な地質的構造下でも有効であることを確認した。
• 本手法は、大部分のノイズ成分を効果的に特定・低減し、微細な信号特徴を保持することができ、高ノイズ条件下でも信号漏れを最小限に抑えた。
• PCAに基づくノイズ評価により、ステップ数の適応的選択が可能となり、手動によるパrameterチューニングへの依存が低下し、さまざまなSNR範囲での耐性が向上した。
• トランスファーラーニングを活用した拡散モデルは、合成データで学習した後も実現地データに適用した際、高い性能を維持し、優れた一般化能力を示した。
• 9×9ウィンドウサイズを用いることで、ノイズ評価における飽和問題を軽減し、さまざまなSNR条件下でも安定したノイズレベルの区別が可能になった。