Explainable Artificial Intelligence driven mask design for self-supervised seismic denoising

要約

地震データにコヒーレントなノイズが存在すると、エラーや不確実性が生じるため、できるだけ早期かつ効率的にノイズを抑制することが最も重要です。
自己監視型ノイズ除去は、ノイズの多いトレーニング ペアとクリーンなトレーニング ペアを持つという深層学習手順の一般的な要件を回避します。
ただし、自己監視型コヒーレント ノイズ抑制方法には、ノイズ統計に関する広範な知識が必要です。
私たちは、説明可能な人工知能アプローチを使用して、ノイズ除去ネットワークであるブラック ボックスの内部を確認し、得られた知識を使用して、ノイズ自体に関する事前知識の必要性を置き換えることを提案します。
これは実際には、バイアスのないネットワークと、関連するヤコビ行列によって提供される入力と出力間の直接の線形リンクを活用することによって実現されます。
ランダムに選択された多数の入力ピクセルに対するヤコビアンの寄与を単純に平均することで、データ内に存在するノイズを抑制する最も効果的なマスクが得られることを示します。
したがって、提案された方法は、クリーンなトレーニング ラベルや事前の知識を必要としない、完全に自動化されたノイズ除去手順になります。
提案されたアプローチを検証するために、単純な時間相関ノイズから海の速度で伝播する複雑な擬似リグノイズまで、さまざまな複雑さのノイズ信号を含む現実的な合成例が使用されます。
その自動化された性質は、2 つのフィールド データセットへの適用によってさらに強調されます。
実質的な前処理や収集環境に関する知識がなくても、自動的に識別されたブラインド マスクは、Volve 海洋データセットからの共通ショット収集の痕跡ノイズと、ポストスタック地震画像のカラー ノイズの両方を抑制するのにうまく機能することが示されています。
土地の地震調査です。

要約(オリジナル)

The presence of coherent noise in seismic data leads to errors and uncertainties, and as such it is paramount to suppress noise as early and efficiently as possible. Self-supervised denoising circumvents the common requirement of deep learning procedures of having noisy-clean training pairs. However, self-supervised coherent noise suppression methods require extensive knowledge of the noise statistics. We propose the use of explainable artificial intelligence approaches to see inside the black box that is the denoising network and use the gained knowledge to replace the need for any prior knowledge of the noise itself. This is achieved in practice by leveraging bias-free networks and the direct linear link between input and output provided by the associated Jacobian matrix; we show that a simple averaging of the Jacobian contributions over a number of randomly selected input pixels, provides an indication of the most effective mask to suppress noise present in the data. The proposed method therefore becomes a fully automated denoising procedure requiring no clean training labels or prior knowledge. Realistic synthetic examples with noise signals of varying complexities, ranging from simple time-correlated noise to complex pseudo rig noise propagating at the velocity of the ocean, are used to validate the proposed approach. Its automated nature is highlighted further by an application to two field datasets. Without any substantial pre-processing or any knowledge of the acquisition environment, the automatically identified blind-masks are shown to perform well in suppressing both trace-wise noise in common shot gathers from the Volve marine dataset and colored noise in post stack seismic images from a land seismic survey.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google