[논문 리뷰] Seismic Data Strong Noise Attenuation Based on Diffusion Model and Principal Component Analysis

Junheng Peng, Yongbo Li외 3명|arXiv (Cornell University)|2023. 09. 10.

Seismic Imaging and Inversion TechniquesEarth and Planetary Sciences인용 수 3

한 줄 요약

이 논문은 다단계에서 노이즈 추가를 역으로 풀어내는 베이지안 역설계를 통해 강한 노이즈를 효과적으로 제거할 수 있는 확산 모델 기반의 지반 탐사 데이터 노이즈 감소 방법을 제안한다. 주성분 분석(PCA)을 활용한 블라인드 노이즈 수준 평가를 통해 노이즈 제거 단계 수를 자동으로 결정함으로써, 합성 데이터와 실제 현장 데이터 모두에서 신호 누출 최소화로 우수한 성능을 달성한다.

ABSTRACT

Seismic data noise processing is an important part of seismic exploration data processing, and the effect of noise elimination is directly related to the follow-up processing of data. In response to this problem, many authors have proposed methods based on rank reduction, sparse transformation, domain transformation, and deep learning. However, such methods are often not ideal when faced with strong noise. Therefore, we propose to use diffusion model theory for noise removal. The Bayesian equation is used to reverse the noise addition process, and the noise reduction work is divided into multiple steps to effectively deal with high-noise situations. Furthermore, we propose to evaluate the noise level of blind Gaussian seismic data using principal component analysis to determine the number of steps for noise reduction processing of seismic data. We train the model on synthetic data and validate it on field data through transfer learning. Experiments show that our proposed method can identify most of the noise with less signal leakage. This has positive significance for high-precision seismic exploration and future seismic data signal processing research.

연구 동기 및 목표

• 기존 방법이 실패하는 강한 노이즈 조건에서 효과적인 랜덤 노이즈 감소 문제를 해결한다.
• 고노이즈 환경에서 어려움을 겪는 매개변수 민감도가 높은 기존 방법과 딥러닝 모델의 한계를 극복한다.
• 노이즈 수준에 대한 사전 지식이 필요 없는 적응형 블라인드 노이즈 감소 프레임워크를 개발한다.
• 다단계 노이즈 제거를 위한 베이지안 추론과 확산 모델링을 통합하여 신호 복원 정확도를 향상시킨다.
• 최적의 노이즈 제거 단계 수를 결정하기 위해 PCA를 활용한 노이즈 평가 체계를 구축하여 강인성과 일반화 능력을 향상시킨다.

제안 방법

• 베이지안 추론을 통해 노이즈 추가 과정을 역으로 거꾸로 풀어내는 확산 모델을 활용해 다단계에서 지반 탐사 데이터를 반복적으로 노이즈 제거한다.
• 노이즈가 점차 제거되는 스코어 기반 확산 과정을 적용하여, 노이즈가 첨가된 입력에서 역방향 노이즈 제거 경로를 학습한다.
• 주성분 분석(PCA)을 통해 블라인드 가우시안 지반 탐사 데이터의 노이즈 수준을 평가하고, 신호 대 노이즈비(SNR)를 추정하여 노이즈 제거 단계 수를 안내한다.
• 합성 데이터에서 모델을 훈련하고 실제 현장 데이터에서 검증함으로써 일반화 능력을 확보하고 실용적 응용에 적합하게 한다.
• 복잡한 노이즈 분포를 모델링하고 약한 신호 성분을 보존하기 위해 확산 프레임워크 내부에 U-Net 기반의 노이즈 제거 네트워크를 활용한다.
• 네트워크 깊이(3개의 다운샘플링 레이어), 히든 차원 [128, 256, 512], PCA 기반 노이즈 평가를 위한 9×9 창 크기와 같은 초모수를 최적화하여 포화 현상 방지 및 노이즈 수준 간 구분 확보를 도모한다.

실험 결과

연구 질문

• RQ1 기존 방법이 실패하는 상황에서 확산 모델이 고노이즈 데이터에서 약한 지반 탐사 신호를 효과적으로 재구성할 수 있는가?
• RQ2 PCA는 어떻게 블라인드 가우시안 지반 탐사 데이터의 노이즈 수준을 평가하여 노이즈 제거 단계 수를 안내하는가?
• RQ3 제안된 방법은 기존 방법과 딥러닝 기반 접근법에 비해 더 낮은 신호 누출로 더 나은 노이즈 감소 성능를 달성하는가?
• RQ4 다양한 노이즈 수준과 구조적 복잡도를 가진 다양한 지반 탐사 데이터에서 이 방법의 강인성은 어떠한가?
• RQ5 합성 데이터에서 실현 현장 데이터로의 전이 학습이 피팅 조정 없이도 높은 노이즈 제거 성능를 유지할 수 있는가?

주요 결과

• F3 네덜란드 데이터셋에서 제안된 방법은 평균 국소 유사도 0.1126을 달성하여 f-x 디컨볼루션(0.2008), HSLR(0.1256), TDAE(0.2375)를 모두 능가하며, 더 낮은 신호 왜곡으로 우수한 노이즈 억제 성능을 입증했다.
• Kerry-3D 데이터셋에서는 평균 국소 유사도 0.1604를 기록하여 f-x 디컨볼루션(0.2969), HSLR(0.2188), TDAE(0.1954)보다 유의미하게 낮게 나타나, 복잡한 지질학적 구조에서의 효과성을 확인했다.
• 이 방법은 대부분의 노이즈 성분을 성공적으로 식별하고 감소시켰으며, 고노이즈 조건에서도 미세한 신호 특징을 보존하여 신호 누출을 최소화했다.
• PCA 기반 노이즈 평가로 인해 적응형 단계 선택이 가능해져 수동 매개변수 조정 의존도를 감소시키고 다양한 SNR 범위에서의 강인성을 향상시켰다.
• 전이 학습을 통해 합성 데이터에서 훈련된 후 실제 현장 데이터에 적용했을 때도 높은 성능를 유지함으로써 확산 모델이 강력한 일반화 능력을 보였다.
• 9×9 창 크기를 사용함으로써 노이즈 평가의 포화 문제를 완화하고 다양한 SNR 조건에서의 노이즈 수준 간 안정적인 구분이 가능해져 성능을 안정화시켰다.