基于自监督扩散模型的船载浅地层剖面坏道修复方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Uncertainty-Aware Self-Supervised Diffusion Inpainting for Bad-Trace Restoration in Sub-Bottom Profiler Observations

　　

摘要：

在船载浅地层剖面仪（SBP）观测中，部分道因采集故障和恶劣海况而受损或缺失，表现为垂直条纹或空白列；这些坏道破坏了地层横向连续性，阻碍了地质解释。修复这些缺失是一项实际的质控任务，但由于SBP特征在不同地点差异极大，通常难以获取大型多剖面训练数据集。为解决这一问题，我们提出了一种基于扩散模型的坏道修复方法，该方法采用自监督方式，仅使用待修复的剖面进行训练。频带归一化（band-norm）仅利用信号频带内的统计量，在信号频带仅占很小深度比例时仍能稳定训练。掩码自监督损失排除了受损像素，防止模型学习损伤模式。在推理阶段，观测数据被反复重新注入，仅对缺失区域进行生成，从而得到与观测一致的重建结果。此外，独立样本间的逐像素标准差可提供一个不确定性图，指示难以修复的区域。在有人工真值对比的缺口实验中，所提方法在测试方法中取得了最低的整体RMSE（0.0655）和MAE（0.0327）；其最显著的优势体现在宽大且不规则的缺口以及相关的基于不确定性的可靠性信息方面。预测的不确定性与实际误差高度相关（Spearman秩相关系数为0.785），且经过一次全局尺度重新校准后，期望校准误差从0.094降低至0.014。在真实坏道数据和原始签注数据上的评估进一步阐明了该方法适用范围与局限性。