[논문 리뷰] A hybrid approach to seismic deblending: when physics meets self-supervision

Nick Luiken, Matteo Ravasi외 1명|arXiv (Cornell University)|2022. 05. 30.

Seismic Imaging and Inversion Techniques인용 수 9

한 줄 요약

이 논문은 플러그-앤플라그(PnP) 프레임워크 내에서 물리 기반 모델링과 자기지도 학습 기반 블라인드 스팟 노이즈 제거 네트워크를 융합한 하이브리드 지반 탈혼잡화 방법을 제안한다. 정답 레이블이 없는 상태에서 실시간으로 노이즈 제거기를 훈련시키고 시간에 따라 일관된 노이즈 모델링을 활용함으로써, 기존의 최첨단 희박성 기반 방법보다 우수한 성능을 내며 계산 비용은 유지하면서 해양 및 육상 탐사에 일반화되는 성능을 보인다.

ABSTRACT

To limit the time, cost, and environmental impact associated with the acquisition of seismic data, in recent decades considerable effort has been put into so-called simultaneous shooting acquisitions, where seismic sources are fired at short time intervals between each other. As a consequence, waves originating from consecutive shots are entangled within the seismic recordings, yielding so-called blended data. For processing and imaging purposes, the data generated by each individual shot must be retrieved. This process, called deblending, is achieved by solving an inverse problem which is heavily underdetermined. Conventional approaches rely on transformations that render the blending noise into burst-like noise, whilst preserving the signal of interest. Compressed sensing type regularization is then applied, where sparsity in some domain is assumed for the signal of interest. The domain of choice depends on the geometry of the acquisition and the properties of seismic data within the chosen domain. In this work, we introduce a new concept that consists of embedding a self-supervised denoising network into the Plug-and-Play (PnP) framework. A novel network is introduced whose design extends the blind-spot network architecture of [28 ] for partially coherent noise (i.e., correlated in time). The network is then trained directly on the noisy input data at each step of the PnP algorithm. By leveraging both the underlying physics of the problem and the great denoising capabilities of our blind-spot network, the proposed algorithm is shown to outperform an industry-standard method whilst being comparable in terms of computational cost. Moreover, being independent on the acquisition geometry, our method can be easily applied to both marine and land data without any significant modification.

연구 동기 및 목표

• 동시 소스 탐사에서 발생하는 연속된 쇼트의 신호가 뒤섞인 지반 데이터의 탈혼잡화 문제를 해결하기 위해.
• 지반 역문제에서 정답 데이터의 부족을 해결하기 위해 레이블이 필요한 훈련 예제 없이도 작동하는 자기지도 학습 접근법을 개발하기 위해.
• 탈혼잡화 성능을 향상시키기 위해 혼잡화 연산자의 물리적 모델링과 트레이스 단위로 일관된 노이즈에 특화된 딥 노이즈 제거기의 융합을 위해.
• 재학습이나 주요 아키텍처 변경 없이도 해양 및 육상 지반 데이터에 일반화되는 기하학적 무관성(Geometry-agnostic) 방법을 만들기 위해.
• 기존 방법과 유사한 계산 비용을 유지하면서도 더 뛰어난 재구성 품질을 달성함으로써 실용적 적용 가능성을 확보하기 위해.

제안 방법

• 이 방법은 데이터 오차 항을 통해 혼잡화 연산자의 물리적 특성과 일치하도록 하며, 학습된 노이즈 제거기가 사전 조건으로 작용하는 플러그-앤플라그(PnP) 프레임워크를 사용한다.
• 시간 축을 따라 일관된 노이즈를 모델링할 수 있도록 기존 블라인드 스팟 아키텍처를 확장한 새로운 자기지도 학습 기반 노이즈 제거 네트워크를 설계하였다.
• 현재 노이즈가 섞인 추정치를 입력으로 사용하여 각 PnP 반복 단계에서 자기지도 학습 방식으로 노이즈 제거기를 훈련함으로써 정답 데이터가 필요 없도록 하였다.
• 외부 레이블 없이도 현재 반복 단계에서의 노이즈 제거 오토인코더 목표 함수를 사용하여 고정된 에포크 수로 각 반복 단계에서 훈련하였다.
• 내부 및 외부 반복 횟수, 페널티 파라미터 ρ, 훈련 에포크 수 등의 하이퍼파rameter를 조정하였으며, 저자들은 고정된 값이 잘 일반화될 수 있음을 제안하였다.
• 현재 반복값 xₖ와 노이즈 제거된 추정치 yₖ 사이의 거리를 수렴 기준으로 사용하여 고정된 반복 횟수에 의존하지 않는 적응형 정지 전략을 구현하였다.

실험 결과

연구 질문

• RQ1 정답 데이터가 없는 상황에서 자기지도 학습 기반 딥 노이즈 제거기가 물리 기반 역문제 프레임워크(PnP)에 효과적으로 통합될 수 있는가?
• RQ2 시간적으로 연장된 블라인드 스팟 네트워크 아키텍처가 혼잡화된 지반 데이터에서 트레이스 단위로 일관된 노이즈를 처리할 때 기존의 표준 노이즈 제거기보다 탈혼잡화 성능을 향상시키는가?
• RQ3 제안된 하이브리드 방법이 계산 비용은 동일하게 유지하면서도 기존의 희박성 기반 탈혼잡화 방법(예: 패치 기반 푸리에 변환)보다 재구성 정확도에서 뛰어나게 성능을 냈는가?
• RQ4 해양 및 육상 탐사와 같은 다양한 지반 탐사 기하학적 구조에 대해, 아키텍처나 하이퍼파rameter 재조정 없이도 이 방법이 얼마나 강건한가?
• RQ5 네트워크 초기화가 최종 탈혼잡화 결과에 얼마나 영향을 미치며, 최적화 과정에서 수렴을 신뢰성 있게 모니터링할 수 있는가?

주요 결과

• 제안된 방법은 기존의 패치 기반 푸리에 방법보다 뛰어난 탈혼잡화 품질을 달성하였으며, 10개의 랜덤 시드에 대해 중앙값 상대 오차가 벤치마크보다 일관되게 낮게 나타났다.
• 10개의 랜덤 가중치 초기화 중 9개에서 최종 탈혼잡화 결과가 기존 방법보다 더 높은 품질을 보였으며, 최종 상대 오차의 박스 플롯에서 이를 확인할 수 있었다.
• 적절하게 선택된 하이퍼파rameter 하에서 알고리즘이 실질적으로 수렴하는 것으로 나타났으며, xₖ와 yₖ의 반복값이 서로 수렴하는 경향을 보였고, 이는 이론적 수렴 보장이 없음에도 불구하고 안정적인 동작을 함을 시사한다.
• PnP 반복 단계당 훈련 에포크 수는 재구성 품질과 수렴에 크게 영향을 미치며, 이 하이퍼파라미터는 최적 성능을 위해 조정이 필요함을 시사한다.
• 이 방법은 네트워크 초기화에 대해 강건하며, 물리 기반의 기하학적 무관성 설계 덕분에 해양 및 육상 데이터 등 다양한 탐사 유형으로 일반화가 잘 된다.
• 알고리즘은 벤치마크 방법과 유사한 계산 비용을 유지하며, 실세계 지반 처리 파이프라인에서의 실용적 대안이 될 수 있다.