面向鲁棒地震波束解释的混合 Context-Fusion Attention (CFA) U-Net 与聚类
机器学习
2025-12-02 v1 图像与视频处理
地球物理
摘要
解释地震波束是油气勘探中表征地下结构的关键任务。近期深度学习技术，特别是基于U-Net的架构，显著提高了自动化波束跟踪的效果。然而，在准确分割复杂地质特征和稀疏注释插值方面仍面临挑战。为此，本文提出一种混合框架，将先进的U-Net变体与空间聚类集成，以增强波束的连续性和几何保真度。核心贡献是Context Fusion Attention (CFA) U-Net——一种新型架构，在注意力门中融合空间特征与Sobel衍生的几何特征，以提高精度和表面完整性。本文系统评估了五种架构（标准U-Net及压缩U-Net、U-Net++、Attention U-Net和CFA U-Net），在各种数据稀疏 regime（10、20和40线间距）下进行比较。该方法在稀疏条件下在巴西圣巴斯克湾的 Mexilhao 田油田数据集上实现了0.881的验证 IoU 和2.49ms的 MAE，并在北海 F3 区块上实现了97.6%的优异表面覆盖。该框架进一步使用基于密度的空间聚类应用噪声（DBSCAN）来细化合并后的波束预测（inline 和 cross-line），以产生地质上合理的表面。结果表明，混合方法及其受几何上下文增强的注意力基架具有优势，为结构复杂且数据稀缺的地震解释提供了鲁棒且可推广的解决方案。
引用
@article{arxiv.2512.00191,
title = {Hybrid Context-Fusion Attention (CFA) U-Net and Clustering for Robust Seismic Horizon Interpretation},
author = {Jose Luis Lima de Jesus Silva and Joao Pedro Gomes and Paulo Roberto de Melo Barros Junior and Vitor Hugo Serravalle Reis Rodrigues and Alexsandro Guerra Cerqueira},
journal= {arXiv preprint arXiv:2512.00191},
year = {2025}
}