.png){kind=icon}
返回
SeisDPS-3D: A Diffusion Model-Based Approach for 3D Seismic Data Deconvolution
.png){kind=icon}
PRE
AI
DOI：10.1007/s10712-026-09952-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
反褶积是提高地震数据分辨率的关键技术。它通过消除地震子波的低通滤波效应来获取反射系数。然而，反褶积是一个高度不适定问题，使得反射系数的精确恢复具有挑战性。传统方法通过基于简化假设的显式模型先验来获取不适定问题的稳定解。但在复杂地质环境或含噪数据中，这些方法往往难以获得满意结果。尽管深度学习方法可以通过从训练数据中学习隐式先验来有效提升反褶积效果，但也存在泛化能力不足等局限。扩散模型提供了一种获取先验信息的新途径，即生成先验。它通过训练去噪网络并从随机噪声中学习生成反射系数，直接模拟反射系数的近似概率分布。该去噪网络赋予扩散模型对随机噪声的内在鲁棒性。我们提出了一种结合生成先验和模型先验的2D地震反褶积扩散模型（SeisDPS），以实现更准确和高保真的反射系数。然而，现有的基于扩散的反褶积方法通常仅关注2D数据处理，少数近期3D方法计算成本高昂。在此基础上，我们进一步提出了3D地震反褶积算法（SeisDPS-3D）。该3D算法将SeisDPS应用于一个方向（如沿测线剖面），而另一个方向（如垂直测线剖面）采用无条件采样，反之亦然。这种无条件采样利用2D扩散模型学习到的先验信息作为3D正交方向上的侧向约束，从而有效提升3D反褶积结果的空域连续性。在相同条件下，相较于使用切片处理的2D扩散模型，我们的方法仅增加5%的内存消耗。该方法仅使用2D合成反射系数进行训练，在3D合成和实际数据集上均优于稀疏尖峰反演方法。实验结果表明，该方法对噪声具有更强的鲁棒性，且空域连续性得到改善。
Keyword:
Diffusion model
3D seismic deconvolution
High-resolution seismic data
3D algorithm
