从远偏移传播先验：面向逐步恢复 towed-streamer 数据近偏移的自监督扩散框架
地球物理
2026-02-03 v1 机器学习
摘要
在海底拖缆地震采集中，最近的水听器与源头之间常相隔约 200 米，导致 near-offset 数据缺失，这会损害表面相关多折射消除、速度分析和全波形反演等关键处理流程。现有方法如变换域插值常产生运动学不一致和振幅失真，而监督式深度学习方法又需要不可得的 near-offset 参考数据。为此，我们提出一种无需 near-offset 参考数据即可重建缺失 near-offset 数据的自监督扩散框架。该方法利用带有单迹移的重叠块提取训练条件扩散模型，学习支配事件曲率、振幅变化和小波特征的偏移相关统计模式。在推理阶段，我们对每个迹进行迹-迹递归外推，从最近记录的偏移开始逐步向零偏移传播所学知先验信息。生成式表述还通过集合抽样提供不确定性估计，量化了在无验证数据区域的预测置信度。合成数据和现场数据上的受控验证实验显示，与传统抛物线 Radon 变换基线方法相比，本方法在性能上实现了显著提升。实际作业部署表明，即使在无法获得 ground-truth 验证的情况下，重构波形仍能保留真实的振幅-偏移趋势，uncertainty 图也能准确识别出具有挑战性的外推区域。
引用
@article{arxiv.2602.01909,
title = {Propagating the prior from far to near offset: A self-supervised diffusion framework for progressively recovering near-offsets of towed-streamer data},
author = {Shijun Cheng and Tariq Alkhalifah},
journal= {arXiv preprint arXiv:2602.01909},
year = {2026}
}