[论文解读] A hybrid approach to seismic deblending: when physics meets self-supervision

Nick Luiken, Matteo Ravasi+1 more|arXiv (Cornell University)|May 30, 2022

Seismic Imaging and Inversion Techniques被引用 9

一句话总结

本文提出了一种混合地震去混叠方法，将基于物理的建模与自监督盲区去噪网络结合在即插即用（PnP）框架中。通过在无真实标签的情况下在线训练去噪器，并利用时间一致的噪声建模，该方法在保持计算效率的同时，优于最先进的基于稀疏性的方法，并在海洋和陆地采集数据中均具有良好的泛化能力。

ABSTRACT

To limit the time, cost, and environmental impact associated with the acquisition of seismic data, in recent decades considerable effort has been put into so-called simultaneous shooting acquisitions, where seismic sources are fired at short time intervals between each other. As a consequence, waves originating from consecutive shots are entangled within the seismic recordings, yielding so-called blended data. For processing and imaging purposes, the data generated by each individual shot must be retrieved. This process, called deblending, is achieved by solving an inverse problem which is heavily underdetermined. Conventional approaches rely on transformations that render the blending noise into burst-like noise, whilst preserving the signal of interest. Compressed sensing type regularization is then applied, where sparsity in some domain is assumed for the signal of interest. The domain of choice depends on the geometry of the acquisition and the properties of seismic data within the chosen domain. In this work, we introduce a new concept that consists of embedding a self-supervised denoising network into the Plug-and-Play (PnP) framework. A novel network is introduced whose design extends the blind-spot network architecture of [28 ] for partially coherent noise (i.e., correlated in time). The network is then trained directly on the noisy input data at each step of the PnP algorithm. By leveraging both the underlying physics of the problem and the great denoising capabilities of our blind-spot network, the proposed algorithm is shown to outperform an industry-standard method whilst being comparable in terms of computational cost. Moreover, being independent on the acquisition geometry, our method can be easily applied to both marine and land data without any significant modification.

研究动机与目标

• 为解决同时源采集中地震数据去混叠的挑战，该挑战使连续炮次的信号相互混叠。
• 通过开发一种无需标注训练样本的自监督学习方法，克服地震反问题中缺乏真实标签数据的问题。
• 通过将混叠算子的物理建模与针对道内一致噪声定制的深度去噪器相结合，提升去混叠性能。
• 构建一种与几何无关的方法，无需重新训练或大幅修改网络架构，即可在海洋和陆地地震数据中实现良好泛化。
• 通过保持与传统方法相当的计算成本，确保方法在实际应用中的可行性，同时实现更优的重建质量。

提出的方法

• 该方法采用即插即用（PnP）框架，其中数据不匹配项用于保证与混叠算子物理特性的自洽性，而学习到的去噪器则作为先验。
• 设计了一种新颖的自监督去噪网络，基于盲区架构，但扩展至沿时间轴建模一致噪声，从而更好地处理脉冲式干扰。
• 去噪器在每个PnP迭代中以自监督方式训练，使用当前噪声估计作为输入，无需依赖干净的真实标签数据。
• 网络在每次迭代中固定训练若干个周期，采用去噪自编码器目标函数，不使用任何外部标签。
• 对超参数（如内循环与外循环迭代次数、惩罚参数ρ以及训练周期数）进行调优，作者建议固定值可能具有良好的泛化能力。
• 算法使用当前迭代值xₖ与去噪估计值yₖ之间的距离作为收敛指标，实现自适应停止，而无需依赖固定的迭代次数。

实验结果

研究问题

• RQ1 能否在无需真实标签数据的前提下，将自监督深度去噪器有效集成到类似PnP的基于物理的反问题框架中，用于地震去混叠？
• RQ2 与标准去噪器相比，时间扩展的盲区网络架构在处理混合地震数据中道内一致噪声时，是否能提升去混叠性能？
• RQ3 所提出的混合方法是否能在保持相似计算成本的前提下，优于传统基于稀疏性的去混叠方法（如分块傅里叶法），在重建精度方面表现更优？
• RQ4 该方法在不同地震采集几何（如海洋与陆地勘探）中是否具有鲁棒性，且无需对网络架构或超参数进行重新调整？
• RQ5 网络初始化对最终去混叠结果的影响程度如何？在优化过程中是否能够可靠地监测收敛性？

主要发现

• 所提方法在去混叠质量上显著优于传统分块傅里叶方法，10组随机种子的中位相对误差始终低于基准方法。
• 在10组随机权重初始化中，有9组的最终去混叠结果质量优于传统方法，如最终相对误差的箱线图所示。
• 该算法在实践中表现出收敛性，当超参数选择得当时，迭代值xₖ与yₖ趋于接近，表明尽管理论收敛性尚未证明，但其行为稳定。
• 每次PnP迭代中的训练周期数显著影响重建质量和收敛性，表明该超参数需调优以实现最佳性能。
• 由于其基于物理、与几何无关的设计，该方法对网络初始化具有鲁棒性，并在不同采集类型（包括海洋与陆地数据）中表现出良好泛化能力。
• 该算法保持了与基准方法相当的计算成本，使其成为真实地震处理流程中可行的替代方案。