Foundation Models For Seismic Data Processing: An Extensive Review

要約

地震加工は、生データをさまざまな地球科学アプリケーションに極めて高品質の地下画像に変換する上で重要な役割を果たします。
その重要性にもかかわらず、従来の地震処理技術は、ノイズの多いデータや損傷したデータや、マニュアル、時間のかかるワークフローへの依存などの課題に直面しています。
深い学習アプローチの出現により、効果的でユーザーフレンドリーな代替案が導入されましたが、これらの深い学習アプローチの多くは、合成データセットと特殊なニューラルネットワークに依存しています。
最近、自然なイメージ領域での成功により、基礎モデルが地震ドメインで牽引力を獲得しました。
したがって、3つの地震処理タスクでの自然画像基礎モデルの適用、Demultiple、補間、および除去を調査します。
パフォーマンスと効率性に対するトレーニング前の手法やニューラルネットワークアーキテクチャなど、さまざまなモデル特性の影響を評価します。
単一の地震基盤モデルを提案するのではなく、さまざまな自然画像基礎モデルを批判的に調べ、将来の探査のための有望な候補者を提案します。

要約(オリジナル)

Seismic processing plays a crucial role in transforming raw data into high-quality subsurface images, pivotal for various geoscience applications. Despite its importance, traditional seismic processing techniques face challenges such as noisy and damaged data and the reliance on manual, time-consuming workflows. The emergence of deep learning approaches has introduced effective and user-friendly alternatives, yet many of these deep learning approaches rely on synthetic datasets and specialized neural networks. Recently, foundation models have gained traction in the seismic domain, due to their success in the natural image domain. Therefore, we investigate the application of natural image foundation models on the three seismic processing tasks: demultiple, interpolation, and denoising. We evaluate the impact of different model characteristics, such as pre-training technique and neural network architecture, on performance and efficiency. Rather than proposing a single seismic foundation model, we critically examine various natural image foundation models and suggest some promising candidates for future exploration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google