[pt] Nos últimos anos, a geofísicos tem se dedicado ao aprimoramento da
qualidade dos dados sísmicos por meio da atenuação de ruído e interpolação
de sismogramas usando métodos puramente baseados em CNN. Métodos
baseados em CNN podem alcançar resultados estado-da-arte para remoção
de ruídos. No entanto, eles não se aplicam a cenários sem dados de
treinamento emparelhados (ou seja, dados sísmicos ruidosos e dados sísmicos
sem ruído correspondentes). Neste trabalho, tratamos a atenuação de ruídos
de dados sísmicos como um problema de atenuação de ruído cega, que
consiste em remover ruídos desconhecidos sem dados pareados. Em outras
palavras, a base usada pelo modelo de denoiser é aprendida a partir
das próprias amostras ruidosas durante o treinamento. Motivado por este
contexto, o principal objetivo deste trabalho é propor um método autosupervisionado para atenuação cega de dados sísmicos, que não requer
análise prévia do sinal sísmico, nenhuma estimativa do ruído e nenhum
dado de treinamento pareado. O método proposto assume dois conjuntos
de dados: um contendo shot gathers com ruídos e o outro com shot gathers
sem ruídos. A partir desses dados, treinamos dois modelos: (1) Seismic Noise
Transfer (SNT), que aprende a produzir shot gathers com ruído sintético
contendo o ruído dos shot gathers com ruído e o sinal dos shot gathers sem
ruído; E (2) Sismic Neural Denoiser (SND), que aprende a mapear os shot
gathers com ruído sintético de volta aos shot gathers sem ruído original.
Após o treinamento, o SND sozinho é usado para remover o ruído das
capturas ruidosas originais. Nosso modelo SNT adapta o algoritmo Neural
Style Transfer (NST) ao domínio sísmico. Além disso, nosso modelo SND
consiste em uma nova arquitetura CNN baseada em fusão de atributos em
várias escalas para eliminação de ruído em shot gathers. Nosso método
produziu resultados promissores em experimentos, alcançando um ganho
de PSNR de 0,9 em comparação com outros modelos de última geração. / [en] In the last years, the geophysics community has been devoted to seismic data
quality enhancement by noise attenuation and seismogram interpolation
using CNN-based methods. Discriminative CNN-based methods can achieve
state-of-the-art denoising results. However, they do not apply to scenarios
without paired training data (i.e., noisy seismic data and corresponding
ground-truth noise-free seismic data). In this work, we treat seismic data
denoising as a blind denoising problem to remove unknown noise from noisy
shot gathers without ground truth training data. The basis used by the
denoiser model is learned from the noisy samples themselves during training.
Motivated by this context, the main goal of this work is to propose a selfsupervised method for blind denoising of seismic data, which requires no
prior seismic signal analysis, no estimate of the noise, and no paired training
data. Our proposed self-supervised method assumes two given datasets:
one containing noisy shot gathers and the other noise-free shot gathers.
From this data, we train two models: (1) Seismic Noise Transfer (SNT),
which learns to produce synthetic-noisy shot gathers containing the noise
from noisy shot gathers and the signal from noise-free shot gathers; And
(2) Seismic Neural Denoiser (SND), which learns to map the syntheticnoisy shot gather back to original noise-free shot gather. After training,
SND alone is used to remove the noise from the original noisy shot gathers.
Our SNT model adapts the Neural Style Transfer (NST) algorithm to the
seismic domain. In addition, our SND model consists of a novel multi-scale
feature-fusion-based CNN architecture for seismic shot gather denoising.
Our method produced promising results in a holdout experiment, achieving
a PSNR gain of 0.9 compared to other state-of-the-art models.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:59152 |
| Date | 24 May 2022 |
| Creators | ANTONIO JOSE GRANDSON BUSSON |
| Contributors | SERGIO COLCHER |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0025 seconds