[论文解读] Seismic Data Interpolation via Denoising Diffusion Implicit Models with Coherence-corrected Resampling

Xiaoli Wei, Chunxia Zhang+6 more|arXiv (Cornell University)|Jul 9, 2023

Seismic Imaging and Inversion Techniques被引用 10

一句话总结

论文提出 SeisDDIMR，一种基于扩散模型的地震数据插值方法，利用相干性校正的再采样策略以对已知道集进行条件化，在各种缺失模式下实现鲁棒重构。

ABSTRACT

Accurate interpolation of seismic data is crucial for improving the quality of imaging and interpretation. In recent years, deep learning models such as U-Net and generative adversarial networks have been widely applied to seismic data interpolation. However, they often underperform when the training and test missing patterns do not match. To alleviate this issue, here we propose a novel framework that is built upon the multi-modal adaptable diffusion models. In the training phase, following the common wisdom, we use the denoising diffusion probabilistic model with a cosine noise schedule. This cosine global noise configuration improves the use of seismic data by reducing the involvement of excessive noise stages. In the inference phase, we introduce the denoising diffusion implicit model to reduce the number of sampling steps. Different from the conventional unconditional generation, we incorporate the known trace information into each reverse sampling step for achieving conditional interpolation. To enhance the coherence and continuity between the revealed traces and the missing traces, we further propose two strategies, including successive coherence correction and resampling. Coherence correction penalizes the mismatches in the revealed traces, while resampling conducts cyclic interpolation between adjacent reverse steps. Extensive experiments on synthetic and field seismic data validate our model's superiority and demonstrate its generalization capability to various missing patterns and different noise levels with just one training session. In addition, uncertainty quantification and ablation studies are also investigated.

研究动机与目标

• 激发在不规则缺失道下的鲁棒地震数据插值，传统方法在模式不匹配时表现不佳。
• 构建一个扩散概率框架，用于地震数据插值，利用已知道作为条件。
• 在推断阶段引入相干性校正的再采样策略，以提升插值道与已知道之间的一致性。
• 实现对所提方法在合成数据和实测数据中的不确定性量化与鲁棒性分析。

提出的方法

• 训练一个地震降噪扩散概率模型（DDPM），以带有多头自注意力增强的 U-Net 主干来捕捉地震数据中的长程相关性。
• 使用余弦噪声时间表，在早期反向扩散阶段加速有意义的重构并提升保真度。
• 采用降噪扩散隐式模型（DDIM）实现高效的非马尔可夫推断，并在插值时对已知道进行条件化。
• 在推断阶段引入再采样策略以重新引入前向扩散步骤，促进已知道与插值道的一致性。
• 用基于 DDIM 的采样方案形式化隐式条件插值，包括具有可调跃迁长度和跃迁高度的相干性校正再采样循环。

实验结果

研究问题

• RQ1 SeisDDIMR 是否能够在训练中未见的不同缺失模式下保持鲁棒，同时插值缺失的地震道？
• RQ2 与线性时间表相比，余弦噪声时间表是否提高了地震数据的插值保真度？
• RQ3 在推断阶段，提出的再采样策略如何影响已知道与插值道之间的一致性和连贯性？
• RQ4 在噪声匹配网络中使用多头自注意力对长程地震相关性有何影响？
• RQ5 该方法是否能够对插值区域提供不确定性量化并在实测数据上展示鲁棒性？

主要发现

• 提出的 SeisDDIMR 框架在插值质量上优于现有方法，并对各种缺失模式表现出鲁棒性。
• 余弦噪声时间表改善了早期阶段的重构，有助于插值区域的保真度。
• 相干性校正的再采样策略在反向扩散过程中提升了已知道与插值数据之间的一致性。
• 该方法支持不确定性量化和消融研究以验证鲁棒性。
• 在合成数据和实测地震数据上的实验验证了该方法在不同缺失率场景下的有效性与稳定性。