利用 CycleGAN 在含噪 RES 数据中自动突出特征

无线电回波探测（RES）是地下冰川成像中常用的一种技术，它提供了对底层岩石和冰的洞察。然而，在数据采集过程中会引入系统性噪声，使结果的解释复杂化。研究人员最常使用手动解释和滤波技术的组合来对数据进行去噪；然而，这些过程耗时且不一致。全卷积网络已被提出作为一种自动化替代方案，用于识别雷达图中的地层边界。然而，它们需要高质量的手动处理训练数据，并且难以在含噪样本中进行数据插值（Varshney 等，2020）。在本文中，作者提出了一种基于 GAN 的模型，以穿过噪声对地层边界进行插值，并在二维冰川 RES 数据中突出地层。在真实的含噪图像中，滤波通常会导致数据丢失，使得对地层边界进行插值几乎不可能。此外，由于缺乏成对数据，传统的机器学习方法不适合此任务，因此我们采用了一种非配对图像到图像的转换模型。对于该模型，我们创建了一个合成数据集来表示具有清晰、突出地层的图像域，并使用现有的真实 RES 数据集作为我们的含噪域。我们在这两个域上训练了一个 CycleGAN，以在含噪图像中突出地层，该模型能够有效地进行插值，而不会显著丢失结构或保真度。尽管目前的实现并不完美，但该模型清晰地突出了含噪数据中的地层，使研究人员能够在没有数学滤波、手动处理或用于训练的真值图像的情况下确定地层的大小和位置。这具有重要意义，因为由我们模型生成的干净图像使地下研究人员能够更高效地确定冰川层厚度。