特征扩展梯度惩罚生成对抗网络在多条件地震数据去噪中的创新应用
《Journal of Geophysics and Engineering》:Multi-Condition Seismic Data Denoising using Feature-Expanded Gradient Penalty Generative Adversarial Network
【字体:
大
中
小
】
时间:2025年12月10日
来源:Journal of Geophysics and Engineering
编辑推荐:
本文针对地震数据中随机噪声难以有效去除的问题,提出了一种基于特征扩展梯度惩罚生成对抗网络(FEWGAN-SGP)的半监督去噪方法。该方法通过引入全局残差结构、通道注意力机制和平滑梯度惩罚项,显著提升了2D/3D地震数据的信噪比和结构相似性指数。实验结果表明,FEWGAN-SGP在盲去噪和跨噪声类型处理中均优于主流传统方法和无监督学习方法,为地震成像和解释提供了高质量数据基础。
在地球物理勘探领域,高质量的地震数据是精确成像和地质解释的基石。然而,野外采集的地震数据不可避免地受到环境噪声的污染,尤其是随机噪声,这种噪声由于缺乏规律性,难以通过传统滤波技术有效去除。当前,基于深度学习的方法在地震去噪中展现出潜力,但监督学习方法面临真实标签稀缺的挑战,而无监督方法则因缺乏指导容易产生模糊的去噪结果。这种困境催生了对自适应半监督去噪方法的迫切需求。
为了解决上述问题,薛晓天等人开展了一项名为“Multi-Condition Seismic Data Denoising using Feature-Expanded Gradient Penalty Generative Adversarial Network”的研究,该研究提出了一种结合伪标签指导的半监督学习框架。研究成果发表在《Journal of Geophysics and Engineering》上,为地震数据处理提供了新的技术路径。
研究人员采用的主要技术方法包括:1)构建具有全局残差结构的生成器,确保训练稳定性;2)引入基于特征扩展的通道注意力机制,实现粗细特征提取;3)设计平滑梯度惩罚项(S-GP),增强真假样本的区分度。实验使用2D(Tomlinson Geophysical Services Inc.数据集)和3D(SEGwiki Kerry-3D数据集)地震数据,通过信噪比(SNR)和结构相似性指数(SSIM)评估性能。
训练过程中,FEWGAN-SGP在3D数据上的SNR从初始6.95dB提升至23.21dB,且训练曲线平滑,未出现过拟合。模块贡献实验显示,全局残差模块(Model II)使3D数据SNR提升2.77dB,特征扩展注意力机制(Model III)进一步优化2D数据SNR 2.43dB,而S-GP(Model IV)最终将SSIM提升至0.90,有效解决了训练后期梯度消失问题。
在2D数据实验中,当噪声强度低于4dB时,FEWGAN-SGP仍保持最优去噪性能;3D数据实验中,传统方法(如DRR)在复杂噪声下性能显著下降,而FEWGAN-SGP在不同噪声强度下均取得最高SNR,证明其强大的泛化能力。
盲去噪实验中,FEWGAN-SGP在高斯噪声(σ=20-60)下SNR达24.53dB,显著优于ES-DIP(23.02dB)和DDUL(20.85dB)。局部相似性图谱显示,该方法去除的噪声中含有效信号最少,保真度最高。在混合噪声(Speckle+S&P)处理中,SNR进一步提升至26.12dB,验证了其跨噪声类型的适应性。
在3D盲去噪任务中,FEWGAN-SGP在σ=20噪声下SNR达26.31dB,较ES-DIP提升1.95dB。对于Speckle噪声,其SNR(23.49dB)和SSIM(0.860)均领先于对比方法。去噪结果中地质结构边界清晰,有效增强了裂缝与背景的对比度。
FEWGAN-SGP通过动态梯度惩罚和特征扩展机制,解决了WGAN-GP在3D地震图像处理中的收敛困难、细节模糊和梯度计算失效问题。该框架不仅提升了去噪精度,还为少标签场景下的地震数据处理提供了半监督学习范式,对推动勘探技术智能化发展具有重要实践价值。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号