[논문 리뷰] Interpolation and Denoising of Seismic Data using Convolutional Neural Networks

Sara Mandelli, Vincenzo Lipari외 2명|arXiv (Cornell University)|2019. 01. 23.

Seismic Imaging and Inversion Techniques참고 문헌 53인용 수 90

한 줄 요약

이 논문은 U-net 합성곱 자동인코더를 사용하여 누락된 지진 트레이스 보간과 2D 샷 게더의 노이즈 제거를 함께 수행하며, 합성 데이터와 현장 데이터에서 기존 방법에 비해 경쟁력 있는 정확도를 보임.

ABSTRACT

Seismic data processing algorithms greatly benefit from regularly sampled and reliable data. Therefore, interpolation and denoising play a fundamental role as one of the starting steps of most seismic processing workflows. We exploit convolutional neural networks for the joint tasks of interpolation and random noise attenuation of 2D common shot gathers. Inspired by the great contributions achieved in image processing and computer vision, we investigate a particular architecture of convolutional neural network referred to as U-net, which implements a convolutional autoencoder able to describe the complex features of clean and regularly sampled data for reconstructing the corrupted ones. In training phase we exploit part of the data for tailoring the network to the specific tasks of interpolation, denoising and joint denoising/interpolation, while during the system deployment we are able to recover the remaining corrupted shot gathers in a computationally efficient procedure. We consider a plurality of data corruptions in our numerical experiments, including different noise models and different distributions of missing traces. Several examples on synthetic and field data illustrate the appealing features of the aforementioned strategy. Comparative examples show improvements with respect to recently proposed solutions for joint denoising and interpolation.

연구 동기 및 목표

• 처리 워크플로우를 위한 고품질의 규칙적으로 샘플링된 지진 데이터의 필요성을 제시한다.
• 보간 및/또는 노이즈 제거를 통해 손상된 2D 지진 샷 모음을 재구성하기 위해 컨볼루션 자동인코더(U-net)를 제안한다.
• 손상된 패치와 깨끗한 패치의 쌍으로 네트워크를 학습시켜 보이지 않는 데이터의 재구성을 가능하게 한다.
• 다양한 잡음 및 누락 트레이스 시나리오에서 합성 BP-2004 및 현장 데이터 세트에 대해 방법을 평가한다.

제안 방법

• 깨끗한 지진 데이터의 간결한 표현을 학습하기 위해 U-net 합성곱 자동인코더를 채택한다.
• 대용량 데이터를 다루기 위해 입력 모음에서 패치 단위로 작동한다.
• 노이즈 제거, 보간 또는 이들의 결합 작업에 맞춘 손실 함수를 사용해 학습하며, 보간을 위한 마스킹 손실도 포함한다.
• 게인을 기반으로 한 비정규화 및 패치 단위 재구성으로 전체 샷 모음을 형성하는 후처리.
• 주요 지표로 S/N을 사용하여 성능을 평가하고, shaping 정규화 및 f-x 디컨볼루션 기반 기준선과 비교한다.
• 강건성 평가를 위해 패치 크기, 중첩(overlap) 및 버스트리 누락 트레이스 모델을 조사한다.

실험 결과

연구 질문

• RQ1 U-net 합성곱 자동인코더가 불규칙하게 샘플링된 지진 데이터를 보간하고 2D 샷 게더의 노이즈를 약화시키는 것을 배울 수 있는가?
• RQ2 패치 크기와 겹침(overlapping) 전략이 보간/노이즈 제거 성능 및 계산 효율성에 어떤 영향을 미치는가?
• RQ3 무작위 누락 트레이스, AWGN, 버스트리 누락 트레이스를 포함한 서로 다른 손상 모델에서 방법의 성능은 어떠한가?
• RQ4 다른 샘플링 속도로 수집된 데이터를 보간할 때 전이 학습이 타당한가?
• RQ5 제안된 CNN 기반 접근법이 보간/노이즈 제거를 위한 전통적 규제화 및 디컨볼루션 방법과 어떻게 비교되는가?

주요 결과

• U-net은 누락 트레이스, 노이즈 및 결합 시나리오에서 손상된 샷 게더를 허용 가능한 정확도로 재구성할 수 있다.
• 패치 중첩은 S/N을 향상시키며, 메모리 효율을 위해 비중첩 패치를 선택한다; 패치 크기 N=128은 종종 좋은 결과를 낳는다.
• 보간만으로도 S/N이 증가하면서 128의 패치 크기까지 성능이 향상되고, 버스트리 누락 트레이스 모델에서도 안정적이다.
• 무작위 누락 트레이스가 10–50%일 때 S/N은 버스트성 여부에 따라 32.8 dB에서 18.8 dB 사이로 나타나 현실적 손상에 대한 강건성을 시사한다.
• 노이즈 제거의 경우 초기 S/N이 -15.8 dB인 AWGN에서 상당한 개선이 가능하다(전통적 방법 대비 이득을 보이는 예시가 제시된다).
• 전이 학습 시연은 다른 샘플링 속도로 수집된 데이터를 보간하는 데 모델이 합리적인 성능으로 작동함을 보여준다.