大型视觉模型引导的掩码低秩近似用于地面滚衰减
计算机视觉与模式识别
2026-04-17 v2
摘要
地面滚是地震记录中常见的相干噪声，其衰减仍然具有挑战性，因为其在局部区域与有用反射信号存在显著重叠。现有的衰减方法可根据地面滚受污染区域是否被显式识别大致分为全局和局部两类。全局方法通常对受污染和未受污染区域施加统一的衰减，这可能导致信号泄漏或反射信号的失真。相比之下，局部方法将衰减限制在受污染区域，因此更不易对干净区域进行不必要的修改。然而，其性能往往受限于人工设计或简单基于模型的掩码估计策略。为解决这些限制，我们提出一种大型视觉模型引导的掩码低秩近似 (LVM-LRA) 框架用于地面滚衰减。在该框架中，首先采用可提示的 LVM 通过多模态提示识别地震记录中的地面滚主导区域，并生成准确、细粒度的掩码。然后，将估计得到的掩码纳入 LRA 模型进行地面滚衰减。在反射成分上施加全局低秩约束以保持事件连续性，而在地面滚成分上施加掩码引导的局部低秩约束，以便其分离局限于掩码区域。进一步developed 一种基于交替方向乘子法 (ADMM) 的迭代优化算法来有效求解该模型。在合成数据集和现场数据集上的实验表明，所提方法实现了更有效的地面滚衰减和更好的抑制信号泄漏，优于基线方法。
引用
@article{arxiv.2604.00998,
title = {Large Vision Model-Guided Masked Low-Rank Approximation for Ground-Roll Attenuation},
author = {Jiacheng Liao and Feng Qian and Ziyin Fan and Yongjian Guo},
journal= {arXiv preprint arXiv:2604.00998},
year = {2026}
}