Xi-Net：基于Transformer的地震波形重构器

缺失或错误的数据是当今世界中的一个主要问题。收集的地震数据有时因干扰和传感器故障等原因而包含数据缺口。地震波形中的缺口会阻碍后续信号处理以获取有价值的信息。已有众多技术用于其他领域（如图像、视频、音频）的数据重建，但将这些方法应用于地震波形需要适应长序列输入，这在实际中极为复杂。即便实现了这一点，高计算成本和效率低下问题仍将持续存在，这些传统的基于卷积的重建模型仍具有这些缺点。本文提出了基于Transformer的深度学习模型Xi-Net，利用多样化的时间域和频率域输入进行精确波形重建。Xi-Net将输入波形转换为频率域，分别为时间域和频率域采用独立的编码器，并使用一个解码器从融合特征中获取重构后的输出波形。1D 移位窗口Transformer模块构成模型所有部分的基本单元。据我们所知，这是首个用于地震波形重建的基于Transformer的深度学习模型。我们通过在120秒波形中填充0.5-1秒的随机缺口，展示了该模型的优势，重构波形与原始波形高度吻合。代码和模型可在：https://github.com/Anshuman04/waveformReconstructor 获取。