综述：SeisDPS-3D：一种基于扩散模型的三维地震数据反卷积方法

《SURVEYS IN GEOPHYSICS》：SeisDPS-3D: A Diffusion Model-Based Approach for 3D Seismic Data Deconvolution

　　

摘要

反卷积是提高地震数据分辨率的关键技术。它消除了地震小波的滤波效应，从而获得了反射系数。然而，反卷积是一个高度病态的问题，使得准确恢复反射系数变得具有挑战性。传统方法通过结合基于简化假设的显式模型先验来获得病态问题的稳定解。但在复杂的地质环境或数据噪声较大的情况下，这些方法往往难以产生令人满意的结果。尽管深度学习方法可以通过从训练数据中学习隐式先验来有效增强反卷积结果，但它们也存在某些局限性，例如泛化问题。扩散模型提供了一种获取先验信息的新方法，称为生成先验。它们通过训练去噪器并学习从随机噪声中生成反射系数来直接模拟反射系数的近似概率分布。这种去噪器为扩散模型提供了对随机噪声的固有鲁棒性。我们提出了一种二维地震反卷积扩散模型（SeisDPS），该模型结合了生成先验和基于模型的先验，以实现更准确和高保真的反射系数。然而，现有的基于扩散的反卷积方法通常专注于处理二维数据，即使是一些最近的三维方法在计算上也非常昂贵。在此基础上，我们提出了一种三维地震反卷积算法（SeisDPS-3D）。这种三维算法在一个方向上应用SeisDPS（例如，使用SeisDPS处理测线剖面），同时在另一个方向上应用无条件采样（例如，使用测线剖面进行连续采样校正），反之亦然。这种无条件采样利用二维扩散模型学到的先验信息作为三维方向的约束，从而有效提高了三维反卷积结果的空间连续性。在相同条件下，与使用切片处理的二维扩散模型相比，我们的方法仅增加了5%的内存消耗。我们的方法仅基于二维合成反射系数进行训练，并在三维合成数据和实际数据集上展示了优于稀疏脉冲反演方法的结果。实验结果表明，我们的方法对噪声具有更强的鲁棒性，并且空间连续性得到了改善。