[论文解读] Interpolation and Denoising of Seismic Data using Convolutional Neural Networks

Sara Mandelli, Vincenzo Lipari+2 more|arXiv (Cornell University)|Jan 23, 2019

Seismic Imaging and Inversion Techniques参考文献 53被引用 90

一句话总结

该论文使用 U-net 卷积自编码器联合插值缺失的地震道并对二维 shot gathers 进行去噪，在合成数据和野外数据上，与传统方法相比显示出具有竞争力的精度。

ABSTRACT

Seismic data processing algorithms greatly benefit from regularly sampled and reliable data. Therefore, interpolation and denoising play a fundamental role as one of the starting steps of most seismic processing workflows. We exploit convolutional neural networks for the joint tasks of interpolation and random noise attenuation of 2D common shot gathers. Inspired by the great contributions achieved in image processing and computer vision, we investigate a particular architecture of convolutional neural network referred to as U-net, which implements a convolutional autoencoder able to describe the complex features of clean and regularly sampled data for reconstructing the corrupted ones. In training phase we exploit part of the data for tailoring the network to the specific tasks of interpolation, denoising and joint denoising/interpolation, while during the system deployment we are able to recover the remaining corrupted shot gathers in a computationally efficient procedure. We consider a plurality of data corruptions in our numerical experiments, including different noise models and different distributions of missing traces. Several examples on synthetic and field data illustrate the appealing features of the aforementioned strategy. Comparative examples show improvements with respect to recently proposed solutions for joint denoising and interpolation.

研究动机与目标

• 为处理工作流程而对高质量、规则采样的地震数据的需求进行动机说明。
• 提出一种卷积自编码器（U-net），通过插值和/或去噪来重建受损的二维地震记录组。
• 在成对的受损/干净补丁上对网络进行训练，以实现对未见数据的重建。
• 在合成 BP-2004 数据集和野外数据集上，在不同的噪声和缺失道场景下评估该方法。

提出的方法

• 采用 U-net 卷积自编码器来学习干净地震数据的紧凑表示。
• 以补丁方式对输入的 shot gathers 进行操作，以应对大规模数据。
• 使用针对具体任务定制的损失函数进行训练：去噪、插值，或去噪/插值的联合训练，其中包括用于插值的掩码损失。
• 对网络输出进行基于增益的反归一化处理和补丁级重建，以形成完整的 shot gathers。
• 以信噪比（S/N）作为主要指标来评估性能，并与成形正则化和 f-x 反卷积基线进行比较。
• 研究补丁大小、重叠和突发缺失道模型以评估鲁棒性。

实验结果

研究问题

• RQ1 U-net 卷积自编码器能否学习插值不规则采样的地震数据并在二维 shot gathers 中衰减噪声？
• RQ2 补丁大小和重叠策略如何影响插值/去噪性能及计算效率？
• RQ3 在不同的损坏模型下该方法的表现如何，包括随机缺失道、AWGN 和突发缺失道？
• RQ4 在不同采样率下获取的数据进行插值时，迁移学习是否可行？
• RQ5 所提出的基于 CNN 的方法与传统正则化和反卷积方法在插值/去噪方面的比较如何？

主要发现

• U-net 能在缺失道、噪声和联合情形下，以可接受的精度重建受损的 shot gathers。
• 补丁重叠提高了信噪比，其中为内存效率而选择非重叠补丁；补丁大小 N=128 通常能取得较好结果。
• 单独插值在补丁大小达到 128 时性能提升到更高的信噪比并在突发缺失道模型下保持稳定。
• 在随机缺失道为 10–50% 的情况下，S/N 介于 32.8 dB 到 18.8 dB 之间，取决于突发性，表明对现实性损坏具有鲁棒性。
• 在去噪方面，初始 S/N 为 -15.8 dB 的 AWGN 可以显著提升（示例显示相较于传统方法的增益）。
• 迁移学习演示表明该模型能够对在不同采样率下获取的数据进行插值，且性能在合理范围内。