《Artificial Intelligence in Geosciences》:C2S-Net: A Confidence-Guided Multi-Stage Network for Seismic Data Consecutively Missing Trace Interpolation
编辑推荐:
连续缺失道对地震数据重建构成重大挑战。尽管多阶段神经网络是一种有前景的方法,但每个阶段通常会继承前一阶段的重建误差。因此,早期阶段重建不佳的地震事件在后续阶段仍然基本无法恢复,限制了传统多阶段策略在严重连续缺失条件下的性能。为解决这一问题,研究人员提出了C2S
连续缺失道对地震数据重建构成重大挑战。尽管多阶段神经网络是一种有前景的方法,但每个阶段通常会继承前一阶段的重建误差。因此,早期阶段重建不佳的地震事件在后续阶段仍然基本无法恢复,限制了传统多阶段策略在严重连续缺失条件下的性能。为解决这一问题,研究人员提出了C2S-Net,一种专门针对连续缺失道地震数据设计的置信度引导多阶段网络。C2S-Net引入了两个增强多阶段重建过程的关键机制。首先,采用难样本生成模块(DGM)显式构造对第一阶段而言特别难以恢复的样本,迫使后续阶段聚焦于最易失败的区域。其次,置信度模块(CM)估计像素级重建可靠性,逐步缩小缺失区域,使后续阶段能够优先处理弱或模糊事件。在合成数据和实际数据上的实验结果表明,C2S-Net在结构保真度、弱反射保持和整体重建质量方面均优于单阶段和传统多阶段方法。
地震数据采集过程中,经济约束或自然障碍常导致检波器无法覆盖某些区域,从而形成连续缺失道,严重影响多次波消除、偏移成像和反演等后续处理流程。传统插值方法如预测滤波、稀疏约束、波动方程和秩降方法依赖物理假设,在复杂情况下能力有限。基于深度学习(Deep Learning, DL)的方法已广泛用于地震插值,但面对大尺度连续缺失时,现有模型难以提取充分上下文特征。多阶段网络通过逐级精化重建,但存在结构性缺陷:第一阶段的重建误差会被后续阶段继承,导致早期重建不佳的地震事件难以恢复。针对这一问题,研究人员在《Artificial Intelligence in Geosciences》发表论文,提出一种置信度引导的多阶段网络C2S-Net,用于连续缺失道插值。
C2S-Net采用两阶段UNet架构,引入两个关键模块。难样本生成模块(Difficult sample Generation Module, DGM)基于信噪比(Signal-to-Noise Ratio, SNR)阈值,从第一阶段输出中筛选重建质量差的难样本,使第二阶段专注于易失败结构。置信度模块(Confidence Module, CM)基于逐道均方误差(Mean Squared Error, MSE)评估像素级可靠性,保留高置信区域,将低置信区域重置为零,逐步缩小缺失区域,赋予第二阶段独立重建能力。研究人员在合成数据和实际数据上进行了实验,并与UNet、UNet++、多阶段UNet、Coarse-to-Fine和FR-UNet等方法比较。结果表明,C2S-Net在结构保真度、弱反射保持和整体重建质量上均优于对比方法,且可扩展到自监督学习(Self-supervised Learning, SSL)框架。
主要关键技术方法包括:构建两阶段UNet框架;DGM利用SNR阈值(合成数据为3.7 dB,实际数据为3.5 dB)筛选难样本;CM计算缺失区逐道MSE并更新掩码。训练采用Adam优化器,批量大小14,初始学习率1e-3,每15轮衰减0.1。实验数据来源:合成数据为500炮,每炮800道,时间采样数1151;实际数据为Mobil Avo Viking Graben Line 12,包含1001炮,每炮120道,时间采样数1000。
研究结果分为三个部分。3.1 合成数据实验:在合成数据测试中,C2S-Net获得平均SNR为25.98±0.88 dB,高于FR-UNet(24.83±0.82 dB)、多阶段UNet(24.36±0.93 dB)等;波形图显示,C2S-Net能准确重建缺失区域中央的弱反射信号,而单阶段UNet和UNet++无法重建中央区域。3.2 实际数据实验:在Mobil Avo数据集上,C2S-Net获得12.88±0.53 dB的SNR,优于UNet++(11.44±0.42 dB)和FR-UNet(11.90±0.16 dB),重建结果的整体连续性和细节更丰富。3.3 扩展至自监督学习:将C2S-Net扩展至SSL框架,在无标签数据上训练,自监督版本获得12.60 dB,接近监督版本13.15 dB;叠加剖面对比显示,C2S-Net恢复的主结构框架与完整数据高度一致,验证了SSL策略的有效性。
讨论部分通过消融实验评估模块贡献。去除DGM和CM后,合成数据SNR分别降至23.52 dB和23.23 dB,同时去除两者则降至22.64 dB,均明显低于完整模型的25.63 dB,证明两个模块具有协同作用。计算成本方面,C2S-Net参数量为14.24M,每轮训练240秒,每炮测试2.02秒,虽参数多于单阶段UNet,但测试效率优于除UNet外的其他对比方法,在性能和效率间取得平衡。结论部分指出,传统多阶段方法存在两个关键局限:对前一阶段重建偏差的继承,以及后续阶段生成能力不足。C2S-Net通过DGM筛选难样本、CM更新置信度掩码,克服了偏差继承问题,为大规模连续缺失道插值提供了有效的置信度引导多阶段范式。未来工作将把该范式扩展到三维地震数据和更复杂的缺失道场景。