MSJ-WaveNet:一种用于自监督三维地震数据插值的多尺度J不变小波网络
《Journal of Applied Geophysics》:MSJ-WaveNet: A multi-scale J-invariant wavelet network for self-supervised 3D seismic data interpolation
【字体:
大
中
小
】
时间:2026年08月28日
来源:Journal of Applied Geophysics 2.6
编辑推荐:
•一种J不变3D网络实现了无掩码自监督插值。
•基于平移的卷积机制强制J不变性,以最大化数据效用。
•3D小波模块捕获多尺度特征并防止过度平滑。
•即使在缺失90%数据道的情况下,仍能保持稳健的结构一致性。
引言
完整的 seismic 数据对于下游处理任务至关重要,例如
•一种J不变3D网络实现了无掩码自监督插值。
•基于平移的卷积机制强制J不变性,以最大化数据效用。
•3D小波模块捕获多尺度特征并防止过度平滑。
•即使在缺失90%数据道的情况下,仍能保持稳健的结构一致性。
引言
完整的 seismic 数据对于下游处理任务至关重要,例如振幅随偏移距变化(AVO)反演(Wang et al., 2023)、地震偏移(Han et al., 2023)和首波拾取(Bai et al., 2024)。然而,由于设备故障、成本限制和作业挑战,地震采集经常遭受数据道缺失或不规则采样的问题。不完整的数据可能引入假象并误导解释,使得可靠的重建成为一项关键而具有挑战性的任务。
当前的地震插值方法大致分为模型驱动和数据驱动两类。模型驱动方法依赖于特定领域的假设:预测滤波器在频域中对线性事件进行建模(Spitz, 1991, Gülünay, 2002),稀疏约束方法利用傅里叶、Radon或小波变换域中的变换稀疏性(Zwartjes and Gisolf, 2007, Herrmann and Hennenfent, 2008),低秩方法利用分块Hankel或张量分解(Oropeza and Sacchi, 2011, Yang et al., 2013),基于波动方程的方法使用速度模型进行物理一致的外推(Zhang et al., 2019, Niu et al., 2021)。虽然在某些场景中有效,但这些方法面临实际局限性。例如,尽管基于小波变换的方法取得了经典成功,但在此类变换域中操作通常会产生显著的計算开销,并依赖于半手动干预——如调谐刚性阈值或选择特定数据补丁——这降低了其整体灵活性。因此,这些模型驱动方法通常需要强先验假设、精细的参数调优和较高的计算成本,使其不太适用于复杂结构或大规模野外数据。
数据驱动方法由于能够从复杂的数据分布中学习并克服传统模型驱动方法的局限性,在地震数据插值中获得了突出地位。深度学习(DL)已成为主导范式,主要有两个分支:端到端网络和生成模型。诸如U-Net(Ronneberger et al., 2015, Fang et al., 2021)等端到端网络学习从不完整数据到完整数据的直接映射,已被广泛应用于地震插值。为了进一步增强网络容量并应对具有挑战性的采集场景,各种U-Net扩展和先进的监督学习策略随后被开发出来。在架构方面,研究人员整合了小波池化(Liu et al., 2022b)、嵌套结构(Wu et al., 2023)和自定义注意力机制(Song et al., 2022),包括专门针对连续间隙优化的坐标注意力U-Net(Li et al., 2022)。除这些结构改进外,还引入了针对性优化策略——如注意力引导的混合损失公式(Yu and Wu, 2022, Fei et al., 2022)、多阶段网络训练流程(He et al., 2022)和基于相似性的学习(Liu et al., 2022a)——以显著改善地震图像恢复的鲁棒性和保真度。同时,生成模型——特别是基于GAN的方法——利用对抗训练生成逼真的插值,CGANs(Oliveira et al., 2018)、WGAN-GP(Wei and Li, 2022)和RaLSGANs(Wei et al., 2022)等框架取得了显著成果。最近的研究还引入了扩散模型(Liu and Ma, 2024, Wei et al., 2024)以进一步提升生成质量。尽管具有令人印象深刻的能力,但这些监督式和生成式方法从根本上受限于对大规模配对训练数据集的严重依赖,这在很多情况下成本高昂甚至物理上不可能实现,导致将预训练模型应用于新型野外调查时出现严重的域差距问题。
为了在无地面真值标签的情况下训练深度神经网络,自监督学习已成为地震数据重建中的主流范式。该范式中的一个重要分支基于深度图像先验(DIP),其本质上将未训练的网络架构本身作为无监督正则化器,用于重建不规则采样数据(Kong et al., 2022),并通过引入自注意力机制进一步增强了3D地震数据增强(Saad et al., 2022)。同时,自监督方法主要利用频域外推处理规则采样数据(Mo et al., 2023)、基于降采样的方案处理不规则采集(Fang et al., 2023),以及基于坐标的神经表示(Goyes-Pe?afiel et al., 2024)。其中值得注意的是掩码学习策略,如盲数据道网络(BTN)(Yuan et al., 2022)、用于多任务随机噪声衰减和重建的部分卷积网络(Cao et al., 2022),以及深度非局部正则化器(Xu et al., 2023)。这些方法通过策略性地遮挡观测数据或强制自相似性,利用地震波前的固有统计冗余和空间连贯性,从而实现有效的插值。
在该自监督框架内,二次降采样是一种广泛采用的策略。该策略涉及人为遮蔽可用数据道的一部分作为训练目标,其余部分作为输入(Chen et al., 2024, Fang et al., 2023)。尽管直观合理,但该策略在高稀疏度场景下会遇到信息匮乏的问题。当原始采集已经严重欠采样时(例如75%缺失),二次掩码会进一步消耗有限的输入上下文。这种消耗破坏了地震事件的空间连续性,严重削弱了网络刻画复杂地质结构的能力。虽然基于DIP的无监督方法(Kong et al., 2022)通过避免二次掩码来缓解这一问题,但其隐式正则化往往难以在未经精心设计架构的情况下充分捕获多尺度结构依赖关系。
为了克服这些局限性,我们提出了MSJ-WaveNet,一个将空间J不变性与多尺度谱保真协同耦合的统一框架,以最大化所有可用观测数据道的效用。为防止平凡恒等映射,我们通过基于平移的盲数据道卷积机制严格强制执行J不变性原则,该理论约束最初是在自监督图像修复框架如Noise2Noise和Noise2Self中开创的(Lehtinen et al., 2018, Batson and Royer, 2019)。通过从目标数据道自身的感受野中结构性地排除目标数据道,该设计允许在全部观测数据集上同时计算自监督损失,完全消除了辅助掩码的需要。此外,为独特地对抗此类空间限制通常伴随的局部信息损失和过度平滑,MSJ-WaveNet集成了3D离散小波变换(DWT)。严格可逆的3D DWT提供无损分解,有效保留高频运动学和复杂地质纹理。通过J不变空间约束与小波基于谱保真无缝融合,我们的方法完全从高度稀疏的观测数据中实现稳健的高分辨率3D地震重建。
本研究的主要贡献如下:
1. 一种无需二次降采样的3D地震重建自监督框架。我们引入了一种强制J不变性的盲数据道掩码策略,使模型能够直接从所有观测数据中学习。这种"无掩码"训练防止了传统降采样固有的信息损失,并缓解了与二次采样相关的确认偏差,从而实现更鲁棒和更具泛化能力的重建。
2. 基于3D小波的模块实现多尺度特征表征。我们开发了专为地震体数据定制的3D小波集成编解码模块。通过将特征分解为多个尺度,这些模块既能捕获细粒度的高频细节,又能捕获大尺度的结构连续性,有效抑制了通常困扰切片式或补丁式重建方法的假象。
3. 在严重随机缺失场景下的广泛验证。认识到随机分布的缺失数据道模式在高降采样率(高达90%)下会因极度欠采样而引入严重的混叠假象,MSJ-WaveNet在这些具有挑战性的稀疏设置下进行了全面评估。结果表明,我们的框架能有效恢复连贯的地震事件并抑制混叠噪声,在传统方法失效的情况下仍然表现优异。MSJ-WaveNet在MSE、SNR和SSIM指标上始终优于POCS、3D U-Net、BTN和基于小波的基线方法,证明了其在从随机欠采样的野外数据中重建结构连贯信号的效能和鲁棒性。
本文其余部分组织如下。第2节介绍MSJ-WaveNet框架,包括理论基础、3D小波多尺度模块设计、盲数据道掩码策略和网络架构细节。第3节描述实验设置、评估指标,并展示定性定量结果。最后,第4节总结贡献和发现,并概述未来在真实3D地震插值中的研究方向。
方法
设 $X \in \mathbb{R}^{n_c \times n_i \times n_t}$ 为原始完整3D地震数据,$Y \in \mathbb{R}^{n_c \times n_i \times n_t}$ 为观测到的缺失数据道,其中 $n_c$、$n_i$ 和 $n_t$ 分别表示横道数、纵道数和时间采样点数。地震数据采集过程可表示为:
$$Y = M \odot X$$
其中 $M[i,j,:]=\begin{cases} \mathbf{I} & \text{if } (i,j) \text{ is valid} \\ 0 & \text{otherwise} \end{cases}$
$M$ 是一个二元掩码,指示观测采样模式。
在实际的地震插值中,……
实验
本节对提出的MSJ-WaveNet进行全面的实验评估。在多种缺失数据场景下,对多个基准数据集上六种代表性先进方法进行了定量和定性评估与比较。为严格评估不同范式下的方法,所选基线涵盖传统、监督、无监督和自监督方法。具体而言,我们考虑传统……
训练收敛性与计算效率
基于深度学习的地震重建的实用可行性很大程度上取决于训练稳定性和推理速度。为此,我们监控自监督 $l_1$ 损失和验证指标的轨迹。如图12所示,损失曲线在前40个epoch内呈现特征性的急剧下降,表明网络架构能高效捕获主要结构成分。我们进一步在标准NVIDIA RTX……上分析计算成本。
结论
本研究提出了MSJ-WaveNet,一个将J不变约束与3D小波多尺度模块集成的自监督3D地震插值框架。通过利用100%的观测数据道且无需二次采样,该方法有效扩展了感受野并捕获复杂结构特征。在合成(SEG C3)和野外(F3)数据集上的实验表明,MSJ-WaveNet始终优于3D U-Net和仅小波基准……
CRediT作者贡献声明
Anxiang Di:初稿撰写、可视化、验证、监督、软件、方法论。Jiangshe Zhang:审阅与编辑、监督、方法论。Baisong Jiang:可视化、软件。Xiaoli Wei:验证、调查。Chunxia Zhang:监督、调查。Deng Xiong:可视化、监督、数据整理。
代码可用性声明
代码/库名称:MSJ-WaveNet
联系方式:jszhang@mail.xjtu.edu.cn
硬件要求:NVIDIA GeForce GTX 3090,GPU内存24G
编程语言:Python
所需软件:Pytorch 1.8,驱动版本580.76.05,CUDA版本13.0
程序大小:4.92 MB
源代码可在在线仓库中获取:https://github.com/ProgrammerDAX/-MSJ-WaveNet
利益冲突声明
作者声明他们不存在可能影响本文所述工作的已知竞争性财务利益或个人关系。
致谢
作者衷心感谢主编及匿名审稿人的深刻见解和建设性反馈,这些意见和建议大大提高了本手稿的质量。
本研究部分由国家自然科学基金资助,项目编号12371512。
Anxiang Di | Jiangshe Zhang | Baisong Jiang | Xiaoli Wei | Chunxia Zhang | Deng Xiong