DP-TTA：基于字典驱动先验正则化的瞬变电磁信号去噪测试时自适应
计算机视觉与模式识别
2025-10-16 v1
摘要
瞬变电磁法（TEM）广泛应用于各种地球物理应用，为地下特性提供了宝贵的见解。然而，时域TEM信号常常淹没在各种类型的噪声中。虽然近期基于深度学习的去噪模型表现出色，但这些模型大多在模拟数据或单一真实场景数据上训练，忽略了来自不同地理区域的噪声特征的显著差异。直观上，由于地质条件、设备和外部干扰的差异，在一个环境中训练的模型通常难以在新环境中表现良好，导致去噪性能下降。为此，我们提出了基于字典驱动先验正则化的测试时自适应（DP-TTA）。我们的关键洞察是，TEM信号具有固有的物理特性，例如指数衰减和平滑性，这些特性在不同区域保持一致，不受外部条件影响。这些固有特性可作为指导TTA策略的理想先验知识，帮助预训练模型通过利用自监督损失动态调整参数，从而提升在新场景中的去噪性能。为了实现这一点，我们定制了一个名为DTEMDNet的网络。具体来说，我们首先使用字典学习将这些固有特性编码为字典驱动先验，并在训练期间将其集成到模型中。在测试阶段，该先验通过最小化源自字典驱动一致性和信号一阶变化的自监督损失，引导模型动态适应新环境。大量实验结果表明，所提出的方法在性能上显著优于现有的TEM去噪方法和TTA方法。
引用
@article{arxiv.2510.13160,
title = {DP-TTA: Test-time Adaptation for Transient Electromagnetic Signal Denoising via Dictionary-driven Prior Regularization},
author = {Meng Yang and Kecheng Chen and Wei Luo and Xianjie Chen and Yong Jia and Mingyue Wang and Fanqiang Lin},
journal= {arXiv preprint arXiv:2510.13160},
year = {2025}
}