[论文解读] Coherent noise suppression via a self-supervised blind-trace deep learning scheme

Sixiu Liu, Claire Birnie+1 more|arXiv (Cornell University)|Jun 1, 2022

Seismic Imaging and Inversion Techniques被引用 7

一句话总结

本文提出一种自监督盲迹深度学习框架，可在无需干净训练标签的情况下抑制地震数据中的迹间相干噪声。通过在训练过程中对整个地震迹应用垂直噪声掩码，网络学习重建缺失的信号分量，从而在合成数据和实际野外数据中，对不同噪声水平和污染率均表现出鲁棒的去噪性能。

ABSTRACT

Coherent noise regularly plagues seismic recordings, causing artefacts and uncertainties in products derived from down-the-line processing and imaging tasks. The outstanding capabilities of deep learning in denoising of natural and medical images have recently spur a number of applications of neural networks in the context of seismic data denoising. A limitation of the majority of such methods is that the deep learning procedure is supervised and requires clean (noise-free) data as a target for training the network. Blindspot networks were recently proposed to overcome this requirement, allowing training to be performed directly on the noisy field data as a powerful suppressor of random noise. A careful adaptation of the blind-spot methodology allows for an extension to coherent noise suppression. In this work, we expand the methodology of blind-spot networks to create a blind-trace network that successfully removes trace-wise coherent noise. Through an extensive synthetic analysis, we illustrate the denoising procedure's robustness to varying noise levels, as well as varying numbers of noisy traces within shot gathers. It is shown that the network can accurately learn to suppress the noise when up to 60% of the original traces are noisy. Furthermore, the proposed procedure is implemented on the Stratton 3D field dataset and is shown to restore the previously corrupted direct arrivals. Our adaptation of the blind-spot network for self-supervised, trace-wise noise suppression could lead to other use-cases such as the suppression of coherent noise arising from wellsite activity, passing vessels or nearby industrial activity.

研究动机与目标

• 解决地震数据中相干噪声的挑战，特别是由耦合不良的检波器或外部源引起的迹间噪声。
• 克服监督深度学习方法的局限性，即通常需要无噪声的训练数据，而这类数据在真实地震勘探中往往不可用。
• 通过设计垂直噪声掩码，将盲区网络概念适配至自监督学习，以实现相干噪声抑制。
• 在合成数据和真实野外数据中，验证该方法对不同噪声振幅和受损迹数的鲁棒性。
• 实现深度学习在真实世界地震去噪中的实际应用，解决干净数据不可获取的问题。

提出的方法

• 通过将盲区掩码扩展为垂直迹掩码，对噪声2视角（N2V）自监督学习框架进行改进，以隐藏整个地震迹。
• 仅使用原始噪声炮集作为输入和标签，训练卷积神经网络（CNN），其中输入为同一数据的受损版本，部分迹被掩码。
• 设计一种垂直噪声掩码，从共炮点道集整体移除特定迹，以针对性抑制迹间相干噪声，同时保持有用信号的时间同向性。
• 采用标准的U-Net类架构并引入跳跃连接，从掩码输入中重建原始信号，以最小化重建误差。
• 使用均方误差（MSE）损失函数，将网络输出与原始噪声数据进行比较，将噪声数据视为目标，实现端到端训练。
• 在噪声水平和迹污染率可控的合成数据上验证方法，并将该方法应用于Stratton 3D野外数据集进行真实世界评估。

实验结果

研究问题

• RQ1 自监督深度学习方法能否在无需干净训练标签的情况下，有效抑制地震数据中的迹间相干噪声？
• RQ2 该盲迹网络对炮集中不同噪声振幅和不同数量受损迹的鲁棒性如何？
• RQ3 所提出的方法能否在真实野外数据中恢复先前被相干噪声污染的直接波初至信号？
• RQ4 在合成数据和野外数据中，该盲迹网络与传统去噪方法（如中值滤波）相比性能如何？
• RQ5 该自监督框架在其他类型的迹间相干噪声（如工业活动或船舶交通引起的噪声）中，其泛化能力如何？

主要发现

• 盲迹网络仅使用噪声数据即可成功抑制地震数据中的迹间相干噪声，完全无需干净标签。
• 即使炮集中高达60%的迹被污染，该方法仍能实现有效去噪，表现出对污染水平的极高鲁棒性。
• 在Stratton 3D野外数据集上，网络成功恢复了先前被掩码的直接波初至信号，证实了其在真实地震处理中的实际应用价值。
• 定量评估显示，该方法在所有测试噪声模式下均优于中值滤波，PSNR和SSIM值更高。
• 合成测试中，去噪后数据与无噪声数据之间的残差差异极小，表明网络有效保持了信号同向性并最小化了伪影。
• 该方法可推广至其他形式的迹间相干噪声，如工业活动或面波干扰，表明其在地震数据处理中具有更广泛的应用潜力。