MDA GAN: Adversarial-Learning-based 3-D Seismic Data Interpolation and Reconstruction for Complex Missing

要約

欠損トレースの補間と再構成は、地震データ処理における重要なステップであり、さらに、特に高比率ランダム離散欠損、連続欠損、断層や塩水層における欠損などの複雑なケースに対しては、非常に非論理的な問題である。これらの複雑なケースについては、現在の研究成果ではほとんど言及されていない。複雑な欠損事例に対処するために、我々は新しい3次元GANフレームワークである多次元逆群GAN (MDA GAN)を提案する。これは3つの識別器を用いて3次元複雑欠損再構成後のデータの異方性と空間的連続性を保持するものである。特徴ステッチングモジュールは、入力データのより多くの情報を保持するために設計され、ジェネレータに組み込まれている。Tanh cross entropy (TCE) ロスを導出し、生成されたデータをより滑らかで連続的にするための最適な再構成勾配を生成器に提供する。本研究の個々の構成要素の有効性を実験的に検証し、その後、公開されている複数のデータで本手法をテストした。本手法はランダムな離散的欠測の95%までと連続的欠測の100痕跡に対して妥当な復元を達成した。断層や塩体に富む調査において、MDA GANは複雑なケースでも有望な結果を得ることができる。実験的には，我々の方法が単純なケースでも複雑なケースでも他の方法よりも良い性能を達成することが実証された．https://github.com/douyimin/MDA_GAN

要約(オリジナル)

The interpolation and reconstruction of missing traces is a crucial step in seismic data processing, moreover it is also a highly ill-posed problem, especially for complex cases such as high-ratio random discrete missing, continuous missing and missing in fault-rich or salt body surveys. These complex cases are rarely mentioned in current works. To cope with complex missing cases, we propose Multi-Dimensional Adversarial GAN (MDA GAN), a novel 3-D GAN framework. It keeps anisotropy and spatial continuity of the data after 3D complex missing reconstruction using three discriminators. The feature stitching module is designed and embedded in the generator to retain more information of the input data. The Tanh cross entropy (TCE) loss is derived, which provides the generator with the optimal reconstruction gradient to make the generated data smoother and continuous. We experimentally verified the effectiveness of the individual components of the study and then tested the method on multiple publicly available data. The method achieves reasonable reconstructions for up to 95% of random discrete missing and 100 traces of continuous missing. In fault and salt body enriched surveys, MDA GAN still yields promising results for complex cases. Experimentally it has been demonstrated that our method achieves better performance than other methods in both simple and complex cases.https://github.com/douyimin/MDA_GAN

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL