[논문 리뷰] Seismic Data Interpolation via Denoising Diffusion Implicit Models with Coherence-corrected Resampling

Xiaoli Wei, Chunxia Zhang외 6명|arXiv (Cornell University)|2023. 07. 09.

Seismic Imaging and Inversion Techniques인용 수 10

한 줄 요약

본 논문은 SeisDDIMR를 소개한다, 확산모델 기반의 지진 데이터 보간 방법으로서 알려진 트레이스를 조건으로 하고 일관성 보정 리샘플링(coherence-corrected resampling) 전략을 사용하여 다양한 누락 패턴에서 강건한 재구성을 달성한다.

ABSTRACT

Accurate interpolation of seismic data is crucial for improving the quality of imaging and interpretation. In recent years, deep learning models such as U-Net and generative adversarial networks have been widely applied to seismic data interpolation. However, they often underperform when the training and test missing patterns do not match. To alleviate this issue, here we propose a novel framework that is built upon the multi-modal adaptable diffusion models. In the training phase, following the common wisdom, we use the denoising diffusion probabilistic model with a cosine noise schedule. This cosine global noise configuration improves the use of seismic data by reducing the involvement of excessive noise stages. In the inference phase, we introduce the denoising diffusion implicit model to reduce the number of sampling steps. Different from the conventional unconditional generation, we incorporate the known trace information into each reverse sampling step for achieving conditional interpolation. To enhance the coherence and continuity between the revealed traces and the missing traces, we further propose two strategies, including successive coherence correction and resampling. Coherence correction penalizes the mismatches in the revealed traces, while resampling conducts cyclic interpolation between adjacent reverse steps. Extensive experiments on synthetic and field seismic data validate our model's superiority and demonstrate its generalization capability to various missing patterns and different noise levels with just one training session. In addition, uncertainty quantification and ablation studies are also investigated.

연구 동기 및 목표

• 불규칙한 누락 트레이스에서 전통적 방법이 패턴 불일치로 어려움을 겪는 상황에서 강건한 지진 데이터 보간의 동기를 제시한다.
• 알려진 트레이스를 조건으로 활용하는 지진 데이터 보간을 위한 확산 확률 프레임워크를 개발한다.
• 추론 시 보간 트레이스와 알려진 트레이스 간의 일관성을 높이기 위한 coherence-corrected 리샘플링 전략을 도입한다.
• 합성 데이터 및 현장 데이터 전반에서 제안 방법의 불확실성 정량화와 강건성 분석을 가능하게 한다.

제안 방법

• 다중 헤드 자기 주의에 의해 긴 범위 상관관계를 포착하도록 강화된 U-Net 백본을 갖춘 지진 노이즈 제거 확산 확률 모델(DDPM)을 학습한다.
• 초기 역확산 단계에서 의미 있는 재구성을 가속화하고 충실도를 향상시키기 위해 코사인 노이즈 스케줄을 사용한다.
• 비마르코프(non-Markovian) 추론을 위한 denoising diffusion implicit models(DDIM)을 채택하고 보간 시 알려진 트레이스를 조건으로 한다.
• 추론 시 전향 확산 단계를 다시 도입하고 알려진 트레이스와 보간 트레이스 간의 일관성을 촉진하기 위한 리샘플링 전략을 도입한다.
• DDIM 기반 샘플링 스킴을 포함한 암시적 조건부 보간을 공식화하고, tunable jump length와 jump height를 갖는 coherence-corrected 리샘플링 루프를 포함한다.

실험 결과

연구 질문

• RQ1 SeisDDIMR이 학습 중에 보지 못한 서로 다른 누락 패턴에 대해서도 남은 누락 트레이스를 보간하면서 강건성을 유지할 수 있는가?
• RQ2 코사인 노이즈 스케줄이 지진 데이터에서 선형 스케줄에 비해 보간 충실도를 향상시키는가?
• RQ3 추론 중 제안된 리샘플링 전략이 알려진 트레이스와 보간 트레이스 간의 일관성과 응집성에 어떤 영향을 미치는가?
• RQ4 노이즈 매칭 네트워크 내 다중 헤드 자기 주의가 긴 범위 지진 상관관계에 미치는 영향은 무엇인가?
• RQ5 대상 영역의 보간 영역에 대한 불확실성 정량화를 제공하고 현장 데이터에서의 강건성을 입증할 수 있는가?

주요 결과

• 제안된 SeisDDIMR 프레임워크는 기존 방법과 비교하여 다양한 누락 패턴에 대한 보간 품질과 강건성이 우수함을 보여준다.
• 코사인 노이즈 스케줄은 초기 단계 재구성을 개선하여 보간된 영역의 충실도를 높인다.
• coherence-corrected 리샘플링 전략은 역확산 과정에서 알려진 트레이스와 보간 데이터 간의 일관성을 향상시킨다.
• 방법은 불확실성 정량화 및 Robustness를 검증하기 위한 제거 연구를 지원한다.
• 합성 및 현장 지진 데이터에 대한 실험은 누락 비율 시나리오 전반에서 접근법의 효과성과 안정성을 뒷받침한다.