[论文解读] Seismic Data Strong Noise Attenuation Based on Diffusion Model and Principal Component Analysis

Junheng Peng, Yongbo Li+3 more|arXiv (Cornell University)|Sep 10, 2023

Seismic Imaging and Inversion TechniquesEarth and Planetary Sciences被引用 3

一句话总结

该论文提出了一种基于扩散模型的地震数据去噪方法，利用贝叶斯反演在多步中逆转噪声添加过程，实现对强噪声的有效去除。通过结合主成分分析（PCA）进行盲噪声水平估计，该方法自适应地确定去噪步数，在合成数据和真实野外数据上均实现了优异性能，且信号泄漏极少。

ABSTRACT

Seismic data noise processing is an important part of seismic exploration data processing, and the effect of noise elimination is directly related to the follow-up processing of data. In response to this problem, many authors have proposed methods based on rank reduction, sparse transformation, domain transformation, and deep learning. However, such methods are often not ideal when faced with strong noise. Therefore, we propose to use diffusion model theory for noise removal. The Bayesian equation is used to reverse the noise addition process, and the noise reduction work is divided into multiple steps to effectively deal with high-noise situations. Furthermore, we propose to evaluate the noise level of blind Gaussian seismic data using principal component analysis to determine the number of steps for noise reduction processing of seismic data. We train the model on synthetic data and validate it on field data through transfer learning. Experiments show that our proposed method can identify most of the noise with less signal leakage. This has positive significance for high-precision seismic exploration and future seismic data signal processing research.

研究动机与目标

• 解决在随机噪声较强时传统方法失效的地震数据有效随机噪声衰减挑战。
• 克服传统方法和深度学习模型在高噪声场景下对参数敏感且表现不佳的局限性。
• 开发一种无需先验噪声水平知识的自适应、盲去噪框架。
• 通过将贝叶斯推断与扩散建模相结合，实现分步去噪，提升信号重建精度。
• 建立基于PCA的噪声评估系统，以确定最优去噪步数，增强方法的鲁棒性和泛化能力。

提出的方法

• 利用扩散模型通过贝叶斯推断逆转噪声添加过程，在多步中迭代去噪地震数据。
• 采用基于得分的扩散过程，通过学习从噪声输入到去噪轨迹的逆向路径，逐步去除噪声。
• 结合主成分分析（PCA）评估盲高斯地震数据中的噪声水平，估算信噪比（SNR），以指导去噪步数选择。
• 利用迁移学习在合成数据上训练扩散模型，并在真实野外数据上进行验证，确保其在实际应用中的泛化能力。
• 在扩散框架中引入基于U-Net的去噪网络，以建模复杂噪声分布并保留弱信号分量。
• 优化超参数，包括网络深度（3层下采样）、隐藏维度[128, 256, 512]以及基于PCA的噪声评估9×9窗口大小，以避免饱和并确保噪声水平的清晰区分。

实验结果

研究问题

• RQ1 当标准方法失效时，扩散模型是否能有效从高度噪声数据中重建微弱地震信号？
• RQ2 如何利用PCA对盲高斯地震数据中的噪声水平进行估计，以指导去噪步数的选择？
• RQ3 与传统方法和基于深度学习的方法相比，所提方法是否实现了更优的噪声衰减且信号泄漏更少？
• RQ4 该方法在具有不同噪声水平和结构复杂度的多样化地震数据上是否表现出强鲁棒性？
• RQ5 从合成数据到真实野外数据的迁移学习是否能在无需微调的情况下保持高去噪性能？

主要发现

• 在F3荷兰数据集上，该方法的平均局部相似度达到0.1126，优于f-x反卷积（0.2008）、HSLR（0.1256）和TDAE（0.2375），表明其在减少信号失真下具有更强的噪声抑制能力。
• 在Kerry-3D数据集上，该方法的平均局部相似度为0.1604，显著低于f-x反卷积（0.2969）、HSLR（0.2188）和TDAE（0.1954），证实其在复杂地质构造中的有效性。
• 该方法成功识别并衰减了大部分噪声分量，同时保留了细微的信号特征，即使在高噪声条件下也实现了极低的信号泄漏。
• 基于PCA的噪声评估实现了自适应步数选择，减少了对手动参数调优的依赖，提升了在不同信噪比范围内的鲁棒性。
• 通过迁移学习，扩散模型展现出强大的泛化能力，在合成数据上训练后应用于真实野外数据时仍保持高性能。
• 通过采用9×9窗口大小，该方法缓解了噪声评估中的饱和问题，确保在不同信噪比条件下噪声水平的稳定区分。