[论文解读] 3D Conditional Generative Adversarial Networks to enable large-scale seismic image enhancement

Praneet Dutta, Bruce Power+11 more|arXiv (Cornell University)|Nov 16, 2019

Seismic Imaging and Inversion Techniques参考文献 7被引用 11

一句话总结

本文提出一种用于大规模地震图像增强的3D条件生成对抗网络（GAN）框架，通过利用岩性类别信息提升频率成分并降低噪声。通过在早期、中期或晚期融合中引入概率性或确定性的条件特征，该模型在PSNR和SSIM指标上均取得显著提升——相比基线SRGAN，PSNR最高提升12.21%，在地震勘探中显著提升了低信噪比（SNR）地震体的增强性能。

ABSTRACT

We propose GAN-based image enhancement models for frequency enhancement of 2D and 3D seismic images. Seismic imagery is used to understand and characterize the Earth's subsurface for energy exploration. Because these images often suffer from resolution limitations and noise contamination, our proposed method performs large-scale seismic volume frequency enhancement and denoising. The enhanced images reduce uncertainty and improve decisions about issues, such as optimal well placement, that often rely on low signal-to-noise ratio (SNR) seismic volumes. We explored the impact of adding lithology class information to the models, resulting in improved performance on PSNR and SSIM metrics over a baseline model with no conditional information.

研究动机与目标

• 解决3D地震成像中低信噪比（SNR）和分辨率差的问题，该问题阻碍了能源勘探中地下结构的准确表征。
• 通过增强大规模3D地震体中的频率成分并减少噪声，提升地震图像质量。
• 研究在基于GAN的图像增强中，引入地质岩性类别信息作为条件监督的影响。
• 评估不同融合策略（早期、中期、晚期）和表示形式（确定性与概率性）在3D地震超分辨率中条件信息的应用效果。
• 证明条件GAN在2D和3D地震图像增强任务中均优于标准SRGAN。

提出的方法

• 将SRGAN架构适配于3D地震图像增强，用跳跃连接替代上采样操作，以保持输入与输出的空间维度一致。
• 通过额外的图像通道引入条件信息，表示岩性类别——以独热编码向量（确定性）或二值概率（概率性）表示盐岩类别。
• 实现三种融合策略：早期（输入层）、中期（首个残差块）和晚期（所有残差块之后），采用拼接或点积操作。
• 将损失函数制定为感知损失（基于MSE的内容损失）与对抗损失的加权和，判别器和生成器均基于岩性类别条件化。
• 采用最小最大目标：$\min_G \max_D V(D,G) = \mathbb{E}_p[\log D(x|c) + \log(1 - D(G(z|c)))]$，其中$c$为岩性条件。
• 在SEAM I数据集生成的合成3D地震数据上进行训练，通过5Hz低通滤波和50%均匀噪声降质，以模拟低SNR条件。

实验结果

研究问题

• RQ1 与标准SRGAN相比，条件GAN能否显著提升3D地震图像的感知质量和定量指标？
• RQ2 条件表示形式的选择（确定性与概率性）如何影响地震应用中的图像增强性能？
• RQ3 哪种融合策略（早期、中期、晚期）在3D地震超分辨率中实现了保真度与细节保持之间的最佳平衡？
• RQ4 在低SNR地震体中引入岩性类别信息在多大程度上降低了地下解释的不确定性？
• RQ5 在2D和3D地震图像增强任务中，引入地质先验是否能提升PSNR和SSIM指标？

主要发现

• 采用概率性条件信息训练的模型在2D地震图像上实现了最高的PSNR增益（12.21%）和SSIM增益（19.48%），相比基线SRGAN。
• 在3D地震增强中，采用拼接操作的确定性晚期融合模型取得了最佳SSIM（0.98）和PSNR（33.22），相比基线模型SSIM提升4.25%，PSNR提升10.91%。
• 所有条件模型在2D和3D设置下的各项指标上均优于基线SRGAN，证实了地质先验的有效性。
• 领域专家的视觉检查确认，增强后的图像保留了与真实情况和基础地质模型一致的反射振幅、相位和同相性。
• 概率性条件模型在所有2D指标上均优于确定性模型，表明软概率表示能更好地捕捉岩性预测中的不确定性。
• 即使不使用条件信息，基线SRGAN仍能生成视觉上合理的增强结果，但定量性能显著较低，凸显了条件化的重要性。