[논문 리뷰] 3D Conditional Generative Adversarial Networks to enable large-scale seismic image enhancement

Praneet Dutta, Bruce Power외 11명|arXiv (Cornell University)|2019. 11. 16.

Seismic Imaging and Inversion Techniques참고 문헌 7인용 수 11

한 줄 요약

이 논문은 지질학적 퇰퍼처 클래스 정보를 활용하여 주파수 성분을 향상시키고 노이즈를 감소시켜 대규모 지진 이미지 강화를 위한 3D 조건부 GAN 프레임워크를 제안한다. 조기, 중기 또는 후기 융합을 통해 확률적 또는 결정적 조건부 특징을 통합함으로써, PSNR와 SSIM에서 뚜렷한 향상을 이룩하였으며, 기준 SRGAN 대비 최대 12.21%의 PSNR 향상을 기록하여 지질학적 탐사에서 저SNR 지진 볼륨을 강화하는 데 있어 뛰어난 성능을 입증한다.

ABSTRACT

We propose GAN-based image enhancement models for frequency enhancement of 2D and 3D seismic images. Seismic imagery is used to understand and characterize the Earth's subsurface for energy exploration. Because these images often suffer from resolution limitations and noise contamination, our proposed method performs large-scale seismic volume frequency enhancement and denoising. The enhanced images reduce uncertainty and improve decisions about issues, such as optimal well placement, that often rely on low signal-to-noise ratio (SNR) seismic volumes. We explored the impact of adding lithology class information to the models, resulting in improved performance on PSNR and SSIM metrics over a baseline model with no conditional information.

연구 동기 및 목표

• 에너지 탐사에서 정확한 지하 특성 분석을 방해하는 3D 지진 영상에서 낮은 신호 대 노이즈 비율(SNR)과 낮은 해상도 문제를 해결한다.
• 대규모 3D 지진 볼륨에서 주파수 성분을 향상시키고 노이즈를 감소시켜 지진 영상 품질을 향상시킨다.
• GAN 기반 영상 강화에 지질학적 퇴적물 종류 정보를 조건부 지도로 통합할 경우의 영향을 조사한다.
• 3D 지진 초해상도에서 조건부 정보의 융합 전략(조기, 중기, 후기)과 표현 방식(결정적 대비 확률적)을 평가한다.
• 조건부 GAN이 2D 및 3D 지진 영상 강화 작업에서 표준 SRGAN보다 뛰어난 성능을 보임을 입증한다.

제안 방법

• 입력-출력 공간 차원을 유지하기 위해 업샘플링 대신 스킵 연결을 사용하여 SRGAN 아키텍처를 3D 지진 영상 강화에 적응시킨다.
• 지질학적 퇴적물 종류를 나타내는 추가 이미지 채널을 통해 조건부 정보를 도입—결정적 경우 원-핫 인코딩 벡터로, 확률적 경우 소금 종류에 대해 이진 확률로 표현한다.
• 세 가지 융합 전략을 구현: 조기(입력 레이어), 중기(첫 번째 잔차 블록), 후기(모든 잔차 블록 이후)로, 연결 또는 내적곱 연산을 사용한다.
• 손실 함수를 인지적 손실(MSE 기반 콘텐츠 손실)과 적대적 손실의 가중치 합으로 설정하며, 판별자와 생성자 모두 지질학적 퇴적물 종류 조건에 따라 조건화된다.
• 미니맥스 목표를 사용: $\min_G \max_D V(D,G) = \mathbb{E}_p[\log D(x|c) + \log(1 - D(G(z|c)))]$, 여기서 $c$는 지질학적 퇴적물 조건이다.
• SEAM I 데이터셋에서 유도한 합성 3D 지진 데이터를 사용하여 훈련하며, 5Hz 저역통과 필터와 50% 균일 노이즈를 적용하여 저SNR 조건을 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 조건부 GAN은 표준 SRGAN 대비 3D 지진 영상의 시각적 품질과 정량적 품질을 뚜렷이 향상시킬 수 있는가?
• RQ2 조건부 표현 방식(결정적 대비 확률적)의 선택이 지진 응용 분야에서 영상 강화 성능에 어떤 영향을 미치는가?
• RQ3 조기, 중기, 후기 중 어떤 융합 전략이 3D 지진 초해상도에서 정밀도와 세부 사항 보존 간 최적의 트레이드오프를 이룰 수 있는가?
• RQ4 지질학적 퇴적물 종류 정보를 통합할 경우, 저SNR 지진 볼륨에서 지하 해석의 불확실성은 어느 정도 감소하는가?
• RQ5 지질학적 사전 지식을 통합할 경우, 2D 및 3D 지진 영상 강화 작업에서 PSNR 및 SSIM 지표가 향상되는가?

주요 결과

• 확률적 조건부 정보를 사용하여 훈련한 모델이 기준 SRGAN 대비 2D 지진 영상에서 최대 12.21%의 PSNR 향상과 19.48%의 SSIM 향상을 기록하였다.
• 3D 지진 강화에서 결정적 후기 융합 모델(연결 사용)이 가장 높은 SSIM(0.98)과 PSNR(33.22)를 기록하였으며, 기준 대비 각각 4.25%의 SSIM 향상과 10.91%의 PSNR 향상을 기록하였다.
• 모든 조건부 모델이 2D 및 3D 환경에서 모든 지표에서 기준 SRGAN을 초월하여 지질학적 사전 지식의 유용성을 확인하였다.
• 분야 전문가의 시각적 검토 결과, 향상된 영상가 반사 진폭, 단계 및 일관성을 실제값과 지하 지질 모델과 일치시키며 잘 유지됨을 확인하였다.
• 모든 2D 지표에서 확률적 조건부 모델이 결정적 모델을 모두 압도하여, 부드러운 확률 표현 방식이 지질학적 예측의 불확실성을 더 잘 포착함을 시사한다.
• 조건부 정보 없이도 기준 SRGAN은 시각적으로 신뢰할 수 있는 강화 결과를 생성했지만, 정량적 성능은 상당히 열 劣하므로 조건부 지도의 가치를 입증한다.