基于物理先验增强深度自编码器的无监督地震采集脚印去除
计算机视觉与模式识别
2023-05-19 v1 人工智能
机器学习
摘要
地震采集脚印表现为稳定微弱且空间完全相干的结构，在压制过程中对有用信号造成不可避免的损伤。已有多种脚印去除方法，包括滤波与稀疏表示（SR），被报道取得了良好效果。然而，这些方法（如SR）仅依赖有用信号的手工图像先验，若给定地震数据包含复杂地质结构，这一要求有时并不合理。作为替代，本文提出一种脚印去除网络（称为FR-Net），用于在无任何有价值信号假设下的无监督压制采集脚印。FR-Net的关键在于根据噪声固有的方向性设计单向全变分（UTV）模型以刻画脚印采集。通过UTV模型强正则化深度卷积自编码器（DCAE），我们的FR-Net将DCAE从纯数据驱动模型转变为先验增强方法，兼具DCAE与脚印模型之优。随后，通过反向传播（BP）算法优化FR-Net，以无监督方式实现脚印噪声与有用信号的完全分离。我们在三个合成与野外数据集上进行了定性与定量评估，表明我们的FR-Net超越了先前最先进（SOTA）方法。
引用
@article{arxiv.2302.10756,
title = {Unsupervised Seismic Footprint Removal With Physical Prior Augmented Deep Autoencoder},
author = {Feng Qian and Yuehua Yue and Yu He and Hongtao Yu and Yingjie Zhou and Jinliang Tang and Guangmin Hu},
journal= {arXiv preprint arXiv:2302.10756},
year = {2023}
}