[论文解读] Deep learning tutorial for denoising.

Siwei Yu, Jianwei Ma+1 more|arXiv (Cornell University)|Oct 27, 2018

Seismic Imaging and Inversion Techniques参考文献 43被引用 6

一句话总结

本文提出了一种基于深度学习的地震数据去噪方法，采用卷积神经网络（CNN）在添加了噪声或通过波动方程生成多次波的合成数据集上进行训练。该方法实现了自适应、无需参数的噪声压制，无需依赖精确的信号模型，其性能与 $f$-$x$反卷积相当，且在GPU加速下表现出色，在合成数据和实际野外数据上均取得了优异结果。

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.

研究动机与目标

• 解决传统地震噪声压制方法依赖精确信号与噪声建模及人工参数调优的局限性。
• 开发一种自动化、数据驱动的方法，用于随机噪声、线性噪声及多次波的压制。
• 利用深度学习直接从大规模训练数据集中学习复杂的噪声模式，而无需预先假设。
• 在运行时间上实现与传统 $f$-$x$反卷积相当的去噪性能，同时消除对最优参数选择的需求。

提出的方法

• 使用大规模合成训练集，训练卷积神经网络（CNN）将原始噪声地震数据（输入）映射为干净地震数据（输出）。
• 训练集通过向干净地震道中注入随机噪声以实现随机噪声压制，通过波动方程模拟多次波以实现多次波压制。
• 在训练过程中使用随机梯度下降（SGD）优化CNN参数，以最小化预测结果与目标干净数据之间的差异。
• 该方法无需显式建模信号或噪声特征，从而可在多种噪声类型下实现自适应去噪。
• 推理过程通过图形处理器（GPU）加速，运行时间性能与 $f$-$x$反卷积方法相当。
• 该方法应用于合成数据和真实野外数据，以评估其泛化能力与鲁棒性。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖显式信号或噪声建模的情况下，有效学习地震数据的去噪？
• RQ2 所提出的基于CNN的去噪方法在运行时间与去噪质量方面，与传统的 $f$-$x$反卷积相比表现如何？
• RQ3 训练好的网络在不同类型噪声（包括随机噪声、线性噪声及多次波）上的泛化能力有多强？
• RQ4 该方法是否能在无需手动调参或对噪声方差进行先验假设的情况下实现有效去噪？

主要发现

• 基于深度学习的去噪方法在GPU上执行时，其运行时间性能与 $f$-$x$反卷积方法相当。
• 该方法在合成与野外地震数据中均成功压制了随机噪声、线性噪声及多次波，且无需精确的信号或噪声建模。
• 该方法展现出自适应去噪能力，消除了对人工参数调优或对噪声特征先验假设的需求。
• 基于CNN的方法在未见过的野外数据上泛化良好，显示出在地震数据处理流程中实现自动化的强大潜力。
• 使用具有受控噪声注入和基于波动方程的多次波生成的合成训练数据，使模型能够有效学习复杂噪声模式。
• 结果证实，深度学习可作为传统依赖模型的去噪技术在地震应用中的稳健、智能替代方案。