[논문 리뷰] Propagating the prior from far to near offset: A self-supervised diffusion framework for progressively recovering near-offsets of towed-streamer data

Shijun Cheng, Tariq Alkhalifah|arXiv (Cornell University)|2026. 02. 02.

Seismic Imaging and Inversion Techniques인용 수 0

한 줄 요약

저자는 먼 오프셋 데이터로부터 재귀적으로 외삽해 근 오프셋 트레이스를 재구성하는 자체 감독 확산 기반 프레임워크를 제시하고, 앙상블 샘플링을 통한 불확실성 추정도 제공합니다.

ABSTRACT

In marine towed-streamer seismic acquisition, the nearest hydrophone is often two hundred meter away from the source resulting in missing near-offset traces, which degrades critical processing workflows such as surface-related multiple elimination, velocity analysis, and full-waveform inversion. Existing reconstruction methods, like transform-domain interpolation, often produce kinematic inconsistencies and amplitude distortions, while supervised deep learning approaches require complete ground-truth near-offset data that are unavailable in realistic acquisition scenarios. To address these limitations, we propose a self-supervised diffusion-based framework that reconstructs missing near-offset traces without requiring near-offset reference data. Our method leverages overlapping patch extraction with single-trace shifts from the available far-offset section to train a conditional diffusion model, which learns offset-dependent statistical patterns governing event curvature, amplitude variation, and wavelet characteristics. At inference, we perform trace-by-trace recursive extrapolation from the nearest recorded offset toward zero offset, progressively propagating learned prior information from far to near offsets. The generative formulation further provides uncertainty estimates via ensemble sampling, quantifying prediction confidence where validation data are absent. Controlled validation experiments on synthetic and field datasets show substantial performance gains over conventional parabolic Radon transform baselines. Operational deployment on actual near-offset gaps demonstrates practical viability where ground-truth validation is impossible. Notably, the reconstructed waveforms preserve realistic amplitude-versus-offset trends despite training exclusively on far-offset observations, and uncertainty maps accurately identify challenging extrapolation regions.

연구 동기 및 목표

• SRME, 속도 분석, 및 FWI와 같은 처리 단계에서 근 오프셋 데이터의 중요성을 강조한다.
• 학습에 근오프셋 Ground-truth 데이터가 필요 없는 자체 감독 프레임워크를 개발한다.
• 먼 오프셋 중복성을 활용해 오프셋 의존적 지진 이벤트 패턴을 학습한다.
• 가까운 오프셋으로의 재귀적 외삽을 트레이별로 수행하며 운동학 및 진폭을 보존한다.

제안 방법

• 조건부 확산 모델을 사용해 노이즈 입력 xt에서 정답 패치 x0를 y라는 조건 패치를 주고 예측한다.
• 근 오프셋 지상 진실 없이 한 트레이의 위치만 이동된 중첩 패치를 사용해 p(x0|y)를 학습한다.
• DDPM에서 x0 예측을 채택해 재구성 품질을 개선한다.
• DDIM 샘플링을 사용해 가장 가까운 기록 오프셋에서 0에 가까운 오프셋으로 트레이별 재귀 추론을 수행한다.
• 여러 확산 구현에서의 앙상블 샘플링으로 불확실성 추정치를 제공한다.

실험 결과

연구 질문

• RQ1 오프셋 의존적 지진 패턴을 단지 먼 오프셋 데이터만으로 학습하는 자체 감독 확산 모델이 가능한가?
• RQ2 먼 오프셋에서 가까운 오프셋으로의 재귀적 근오프셋 외삽이 운동학과 진폭을 지상 진실과 비교해 보존하는가?
• RQ3 확산 앙상블의 불확실성 맵이 근 오프셋 재구성에서 외삽이 어려운 영역을 식별하는가?
• RQ4 합성 및 현장 데이터에서 제안된 방법이 포물선 Radon 변환과 같은 변환 기반 기준선과 어떻게 비교되는가?

주요 결과

• 본 방법은 합성 데이터에서 포물선 Radon 변환 baseline보다 재구성 정확도가 우수하다.
• 재구성된 F-K 스펙트럼은 지상 진실 스펙트럼과 밀접하게 일치하며, baseline에 비해 아티팩트가 감소한다.
• 근 오프셋 트레이스의 파형은 먼 오프셋에서 근 오프셋까지 트레이에 걸쳐 진폭과 위상 정확도가 좋게 보존된다.
• 불확실성 맵은 외삽 난이도가 높은 영역을 효과적으로 식별하여 후속 처리 의사결정에 도움을 준다.
• 현장 데이터 결과는 진실이 없는 실제 근 오프셋 간격에 대한 실용적 타당성을 입증한다.