3-D Seismic Random Noise Attenuation via Self-Supervised Conditional Diffusion Model

doi:10.1109/TGRS.2025.3612877

3-D Seismic Random Noise Attenuation via Self-Supervised Conditional Diffusion Model

2025-01-01

0

PRE

AI

DOI：10.1109/TGRS.2025.3612877

原文链接

原文求助

摘要

En 中文

有效的噪声抑制和数据质量增强在地震数据处理中至关重要。多年来，许多传统和深度学习（DL）方法已被提出并取得了一定成功。然而，传统方法往往难以实现令人满意的去噪精度，且需要大量人工努力进行参数优化，使其在大规模应用中效率较低。深度学习方法通常需要海量的训练数据，并且在不同的应用场景中缺乏一定的泛化能力。此外，传统的扩散模型通常在假设高斯噪声的前提下设计，但这在野外地震数据中可能并不成立。为了解决这些局限性，我们引入了一种自监督条件扩散（SSCDiff）模型用于3-D地震随机噪声衰减。在SSCDiff中，我们引入条件扩散模型来解决随机噪声衰减问题，而不仅仅是高斯噪声。此外，SSCDiff集成了一个自监督反向过程，允许网络利用地震数据先验信息，并通过损失函数进行优化而无需预训练。通过迭代的变分分布采样获得干净的结果。进一步地，我们将快速傅里叶卷积（FFC）模块集成到网络中，以有效利用频域信息增强去噪能力。全面的合成和野外地震实验证明，SSCDiff在处理不同数据集和噪声水平下的地震数据时表现出优越的性能。

Keyword:

Conditional diffusion model

deep learning (DL)

fast Fourier convolution (FFC)

seismic denoising

self-supervised

3-D Seismic Random Noise Attenuation via Self-Supervised Conditional Diffusion Model

摘要

期刊

机构

引用论文