[논문 리뷰] Deep learning tutorial for denoising.

Siwei Yu, Jianwei Ma외 1명|arXiv (Cornell University)|2018. 10. 27.

Seismic Imaging and Inversion Techniques참고 문헌 43인용 수 6

한 줄 요약

이 논문은 합성 데이터셋에 노이즈를 추가하거나 파동방정식을 사용해 생성한 다중성분을 포함한 합성 데이터셋으로 훈련된 컨volutional 신경망(CNN)을 사용하여 지반 탐사 데이터에 대한 딥러닝 기반 노이즈 제거 방법을 제안한다. 이 방법은 정확한 신호 모델이 필요로 하지 않으며, 최적의 파rameter 선택이 필요 없이 적응형, 파rameter-free 노이즈 감소를 가능하게 하여 GPU 가속을 통해 $f$-$x$ 탈로이드화와 유사한 성능을 달성하며, 합성 데이터와 현장 데이터 모두에서 뛰어난 결과를 보여준다.

ABSTRACT

We herein introduce deep learning to seismic noise attenuation. Compared with traditional seismic noise attenuation algorithms that depend on signal models and their corresponding prior assumptions, a deep neural network is trained based on a large training set, where the inputs are the raw datasets and the corresponding outputs are the desired clean data. After the completion of training, the deep learning method achieves adaptive denoising with no requirements of (i) accurate modeling of the signal and noise, and (ii) optimal parameters tuning. We call this intelligent denoising. We use a convolutional neural network as the basic tool for deep learning. The training set is generated with manually added noise in random and linear noise attenuation, and with the wave equation in the multiple attenuation. Stochastic gradient descent is used to solve the optimal parameters for the convolutional neural network. The runtime of deep learning on a graphics processing unit for denoising has the same order as the $f-x$ deconvolutional method. Synthetic and field results show the potential applications of deep learning in the automation of random noise attenuation with unknown variance, linear noise, and multiples.

연구 동기 및 목표

• 정확한 신호 및 노이즈 모델링과 수동적 파rameter 조정에 의존하는 전통적 지반 탐사 노이즈 감소 방법의 한계를 해결하기 위해.
• 지반 탐사 데이터에서 랜덤 노이즈, 선형 노이즈, 다중성분 감소를 위한 자동화되고 데이터 기반의 접근법을 개발하기 위해.
• 대규모 훈련 데이터셋에서 노이즈 패턴을 직접 학습함으로써 사전 가정 없이 복잡한 노이즈 패턴을 학습하기 위해.
• 최적의 파rameter 선택이 필요 없이 런타임 성능이 $f$-$x$ 탈로이드화와 유사한 수준에서 노이즈 제거 성능을 달성하기 위해.

제안 방법

• 대규모 합성 훈련 세트를 사용하여 원시 노이즈가 있는 지반 탐사 데이터(입력)를 정제된 지반 탐사 데이터(출력)로 매핑하는 컨volutional 신경망(CNN)을 훈련한다.
• 훈련 세트는 랜덤 노이즈를 청소된 지반 탐사 트레이스에 주입하여 랜덤 노이즈 감소를 위한 것이며, 파동방정식을 사용해 다중성분을 시뮬레이션하여 다중성분 억제를 위한 것이다.
• 예측된 결과와 목표 정제된 데이터 간의 차이를 최소화하기 위해 훈련 중 CNN의 파rameter를 최적화하기 위해 확률적 경사 하강법(SGD)을 사용한다.
• 신호 또는 노이즈 특성의 명시적 모델링이 필요 없이 다양한 노이즈 유형에 걸쳐 적응형 노이즈 감소를 가능하게 한다.
• 그래픽스 처리 장치(GPU)를 사용하여 추론 속도를 가속화하여 $f$-$x$ 탈로이드화 방법과 동등한 런타임 성능을 달성한다.
• 일반화성과 강건성을 평가하기 위해 합성 데이터와 실제 현장 데이터에 모두 적용한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 명시적인 신호 또는 노이즈 모델에 의존하지 않고 지반 탐사 데이터의 노이즈 제거를 효과적으로 학습할 수 있는가?
• RQ2 제안된 CNN 기반 노이즈 제거 방법의 성능은 런타임과 노이즈 제거 품질 측면에서 전통적인 $f$-$x$ 탈로이드화 방법과 비교해 어떻게 되는가?
• RQ3 학습된 네트워크가 랜덤 노이즈, 선형 노이즈, 다중성분을 포함한 다양한 노이즈 유형으로 일반화되는 정도는 어느 정도인가?
• RQ4 노이즈 분산에 대한 사전 가정이나 수동적 파rameter 조정이 필요 없이 효과적인 노이즈 제거를 달성할 수 있는가?

주요 결과

• GPU에서 실행할 경우 딥러닝 기반 노이즈 제거 방법은 런타임 측면에서 $f$-$x$ 탈로이드화 방법과 유사한 성능을 달성한다.
• 이 방법은 정확한 신호 또는 노이즈 모델링이 필요 없이 합성 및 현장 지반 탐사 데이터에서 랜덤 노이즈, 선형 노이즈, 다중성분을 효과적으로 감소시킨다.
• 이 접근법은 수동적 파rameter 조정이나 노이즈 특성에 대한 사전 가정이 필요 없이 적응형 노이즈 감소 능력을 보여준다.
• CNN 기반 방법은 예측되지 않은 현장 데이터로도 잘 일반화되어 지반 탐사 데이터 처리 파이프라인의 자동화 잠재력을 보여준다.
• 제어된 노이즈 주입과 파동방정식 기반 다중성분 생성을 통해 합성 훈련 데이터를 활용하면 복잡한 노이즈 패턴을 효과적으로 학습할 수 있다.
• 결과적으로 딥러닝이 지반 응용 분야에서 전통적인 모델 의존적 노이즈 제거 기법에 대한 강력하고 지능적인 대안이 될 수 있음을 확인한다.