不规则陆地采集中的基于坐标地震插值：一种深度内部学习方法
图像与视频处理
2023-08-09 v2
摘要
物理与预算限制常导致不规则采样，使准确的地下成像复杂化。在此类情况下，通常采用缺失道或炮集插值等预处理方法来增强地震数据。近来，深度学习已被用于解决道插值问题，但代价是需要大量训练数据以充分表征典型地震事件。然而，该领域多数研究聚焦于道重建，很少关注炮集插值。此外，现有方法假设接收器/震源规则间距，难以逼近来自真实（不规则）采集的地震数据。本工作提出一种新颖的炮集插值方法，其使用由神经网络参数化的连续基于坐标的采集地震波场表示。我们提出的这种无监督方法称为基于坐标的地震插值（CoBSI），能够在神经网络训练期间不使用外部数据的情况下，预测不规则陆地采集中的特定地震特征。在真实与合成三维数据上的实验结果验证了所提方法在时空域和频率-波数域估计连续平滑地震事件的能力，优于基于稀疏性或低秩的插值方法。
引用
@article{arxiv.2211.11889,
title = {Coordinate-Based Seismic Interpolation in Irregular Land Survey: A Deep Internal Learning Approach},
author = {Paul Goyes and Edwin Vargas and Claudia Correa and Yu Sun and Ulugbek Kamilov and Brendt Wohlberg and Henry Arguello},
journal= {arXiv preprint arXiv:2211.11889},
year = {2023}
}