基于全局-局部特征学习的3D断层检测预训练与微调框架

为解决3D地震断层检测中标注数据稀缺和合成数据泛化性差的问题，研究人员提出基于全局-局部特征学习的Fault-GLFL框架，通过多尺度掩码自编码器（Multi-level MAE）预训练和双分支微调策略，显著提升复杂地质结构下的断层检测精度，为油气储层建模提供新范式。

　　

在地球物理勘探领域，3D断层检测犹如给地球做"CT扫描"，是油气储层建模的核心技术。然而，现实却面临两大"卡脖子"难题：地质专家手工标注海量3D地震数据堪比"愚公移山"，而依赖合成数据训练的模型在真实场景中常遭遇"水土不服"。这种困境源于地下高温高压等极端环境导致实际地震数据具有强非均匀性，使得合成数据与真实数据的特征分布存在"次元壁"。传统方法如Swin-UNETR和MAE3D虽能降低计算成本，但"化整为零"的子体积处理策略却让全局上下文信息"支离破碎"。

针对这些挑战，中国研究人员提出创新性解决方案Fault-GLFL。该框架包含三大"黑科技"：首先，Multi-level MAE通过裁剪和下采样生成全局、中尺度、局部三重视图，让模型像"地质学家"般既能把握地层全貌又能捕捉断层细节；其次，双分支微调框架让CNN和Transformer"双剑合璧"，前者擅长提取"指纹级"局部特征，后者专攻"鸟瞰式"全局建模；最后，双边注意力模块如同"智能调度中心"，通过空间注意力和通道注意力机制实现特征融合的"化学反应"。

关键技术包括：1）基于3D地震体数据的多尺度掩码自编码预训练；2）结合CNN-Transformer的双分支架构；3）双边注意力特征融合模块。实验采用合成与多源现场数据，对比MAE3D等基线模型，通过25%-100%标注比例的系统验证。

【多级特征重建】
通过设计全局引导的一致性学习策略，使未掩码全局视图作为"锚点"对齐掩码视图特征。消融实验显示，该方法在50%标注数据下F1分数提升12.7%，证明多尺度一致性学习能有效缩小合成与真实数据的域间差距。

【双分支微调框架】
在断层识别任务中，纯Transformer路径的边界召回率仅为68.2%，而引入CNN分支后跃升至83.5%。这表明Transformer在全局建模上的优势与CNN的局部感知能力形成"黄金组合"。

【双边注意力模块】
该模块使模型在复杂断层区域的交并比（IoU）提高9.3%。空间注意力有效捕捉断层走向的空间依赖性，通道注意力则能抑制无关噪声，如盐丘构造对断层识别的干扰。

【实验验证】
在北海油田实际数据测试中，Fault-GLFL的误报率比MAE3D降低41%，在含噪数据中表现出更强鲁棒性。值得注意的是，仅用25%标注数据时，其性能仍超越全监督基线模型，证实自监督预训练的有效性。

这项发表于《Expert Systems with Applications》的研究开创性地解决了3D地质建模中的"标注困境"与"尺度鸿沟"问题。通过模拟地质学家"由面到点"的认知过程，Fault-GLFL不仅为智能油气勘探提供新工具，其多模态融合思路更为医学影像分析等跨领域研究提供借鉴。未来工作将聚焦轻量化设计，使该框架能适配边缘计算设备，真正实现"人工智能地质学家"的野外部署。