[논문 리뷰] Coherent noise suppression via a self-supervised blind-trace deep learning scheme

Sixiu Liu, Claire Birnie외 1명|arXiv (Cornell University)|2022. 06. 01.

Seismic Imaging and Inversion Techniques인용 수 7

한 줄 요약

이 논문은 정제된 학습 레이블이 필요로 하지 않는 자기지도 학습 기반 블라인드 트레이스 딥러닝 프레임워크를 제안한다. 이 프레임워크는 학습 중 전체 트레이스를 가리는 수직 노이즈 마스크를 적용하여 트레이스 단위로 일관된 노이즈를 억제함으로써, 다양한 노이즈 수준과 오염 비율에서 시뮬레이션 및 현장 데이터 모두에서 강건한 노이즈 제거 성능을 달성한다.

ABSTRACT

Coherent noise regularly plagues seismic recordings, causing artefacts and uncertainties in products derived from down-the-line processing and imaging tasks. The outstanding capabilities of deep learning in denoising of natural and medical images have recently spur a number of applications of neural networks in the context of seismic data denoising. A limitation of the majority of such methods is that the deep learning procedure is supervised and requires clean (noise-free) data as a target for training the network. Blindspot networks were recently proposed to overcome this requirement, allowing training to be performed directly on the noisy field data as a powerful suppressor of random noise. A careful adaptation of the blind-spot methodology allows for an extension to coherent noise suppression. In this work, we expand the methodology of blind-spot networks to create a blind-trace network that successfully removes trace-wise coherent noise. Through an extensive synthetic analysis, we illustrate the denoising procedure's robustness to varying noise levels, as well as varying numbers of noisy traces within shot gathers. It is shown that the network can accurately learn to suppress the noise when up to 60% of the original traces are noisy. Furthermore, the proposed procedure is implemented on the Stratton 3D field dataset and is shown to restore the previously corrupted direct arrivals. Our adaptation of the blind-spot network for self-supervised, trace-wise noise suppression could lead to other use-cases such as the suppression of coherent noise arising from wellsite activity, passing vessels or nearby industrial activity.

연구 동기 및 목표

• 수신기의 낮은 결합도 또는 외부 원인으로 인한 트레이스 단위로 일관된 노이즈 문제를 해결한다.
• 일반적으로 실제 지반 탐사에서 확보하기 어려운 노이즈가 없는 학습 데이터가 필요한 지도 학습 기반 방법의 한계를 극복한다.
• 수직 노이즈 마스크를 설계하여 블라인드 스파이크 네트워크 개념을 자기지도 학습에 적용하여 일관성 있는 노이즈 억제를 실현한다.
• 시뮬레이션 및 실제 현장 데이터에서 다양한 노이즈 진폭과 손상된 트레이스 수에 대해 강건한 성능을 보여주는 것을 입증한다.
• 정제된 데이터가 확보되지 않는 실세계 환경에서 지속적인 딥러닝 기반 지반 음향 노이즈 제거의 실용적 적용 가능성을 확보한다.

제안 방법

• 블라인드 스파이크 마스크를 수직 트레이스 마스크로 확장하여 노이즈2버전(N2V) 자기지도 학습 프레임워크를 응용한다. 이 마스크는 전체 지반 트레이스를 가리키며, 학습 중에 손상된 신호 성분을 재구성하도록 네트워크를 훈련시킨다.
• 원시 노이즈가 있는 샷 군집을 유일한 입력 및 레이블로 사용하여 컨volutional 신경망(CNN)을 훈련한다. 입력은 특정 트레이스가 가려진 동일한 데이터의 손상된 버전이다.
• 수직 노이즈 마스크를 설계하여 군집 내 전체 트레이스를 제거함으로써 트레이스 단위로 일관된 노이즈를 타겟으로 삼고, 유용한 신호의 시간적 일관성을 유지한다.
• 스킵 연결을 갖춘 표준 U-Net 유사 아키텍처를 사용하여 마스크된 입력에서 원래 신호를 재구성하고, 재구성 오차를 최소화한다.
• 원래 노이즈가 있는 데이터를 타겟으로 삼고, 네트워크 출력과의 평균 제곱오차(MSE) 손실을 사용하여 네트워크를 엔드 투 엔드로 훈련한다.
• 통제된 노이즈 수준과 트레이스 오염 비율을 갖춘 시뮬레이션 데이터에서 방법을 검증하고, 실세계 평가를 위해 Stratton 3D 현장 데이터셋에 적용한다.

실험 결과

연구 질문

• RQ1 정제된 학습 레이블이 없이 자기지도 학습 기반 딥러닝 접근법이 트레이스 단위로 일관된 노이즈를 효과적으로 억제할 수 있는가?
• RQ2 블라인드 트레이스 네트워크는 샷 군집 내 다양한 노이즈 진폭과 손상된 트레이스 수에 대해 얼마나 강건한가?
• RQ3 제안된 방법은 이전에 일관성 있는 노이즈로 손상된 실제 현장 데이터에서 직접 도착 신호 및 기타 일관성 있는 신호 성분을 복원할 수 있는가?
• RQ4 블라인드 트레이스 네트워크의 성능은 시뮬레이션 및 현장 데이터에서 기존의 중앙값 필터링과 비교해 어떻게 되는가?
• RQ5 이 자기지도 학습 프레임워크는 산업 활동이나 선박 교통으로 인한 다른 형태의 트레이스 단위 일관성 노이즈로도 일반화될 수 있는가?

주요 결과

• 블라인드 트레이스 네트워크는 정제된 레이블 없이도 오직 노이즈가 있는 데이터만을 사용하여 트레이스 단위로 일관된 노이즈를 성공적으로 억제한다.
• 샘플 군집 내 최대 60%의 트레이스가 손상된 경우에도 효과적인 노이즈 제거 성능을 보이며, 오염 수준에 대한 높은 강건성을 입증한다.
• Stratton 3D 현장 데이터셋에서 네트워크는 이전에 가려졌던 직접 도착 신호를 복원하여 실세계 지반 처리에서의 실용적 유용성을 확인한다.
• 정량적 평가 결과, 중앙값 필터링 대비 더 높은 PSNR 및 SSIM 값을 기록하여 모든 테스트 노이즈 패턴에서 향상된 성능을 보였다.
• 시뮬레이션 테스트에서 노이즈가 제거된 데이터와의 잔차가 작음을 고려할 때, 네트워크는 신호 일관성을 유지하고 잡음 유사성을 최소화한다.
• 이 방법은 근처 산업 활동이나 지면 롤링과 같은 다른 형태의 트레이스 단위 일관성 노이즈에도 일반화 가능하며, 지반 음향 데이터 처리 분야에서 광범위한 적용 가능성을 시사한다.