GenSeg-Seismic：一种面向三维地震断层检测的任务引导式生成-分割框架

《Knowledge-Based Systems》：GenSeg-Seismic: A task-guided generation-segmentation framework for 3D seismic fault detection

　　

•开发了一种任务引导的生成 - 分割框架 GenSeg-Seismic，用于地震断层检测。
•GenSeg-Seismic 采用任务导向的伪增强循环，迭代训练生成器和分割器。
•集成 3D-NAS 以优化感受野，并集成 SPA 模块以捕捉结构依赖关系。
•设计了一种形态感知复合损失，以强制实现地质上合理的几何连续性。
•合成数据和实地数据的实验验证了 GenSeg-Seismic 的良好性能。

引言
三维地震断层检测是地下结构建模和储层表征中的核心问题，对油气勘探、结构分析和地质灾害评估具有重要意义。断层作为控制地层几何形状和流体运移的关键结构元素，其空间分布和连通性直接影响三维地质模型的可靠性及工程决策 [1]。然而，在实际地球物理勘探中，断层检测远非简单的几何提取任务。它是一个具有反演特征的复杂地球物理解释和模式识别问题。地震数据中的断层信号往往微弱且不稳定，受噪声干扰、信号非平稳性以及地下条件非均质性的影响。此外，由于地震波在复杂介质中的传播和散射，断层信息通常表现为沿反射相位的局部错位、振幅异常或相位扰动，而不是清晰的几何边界 [2]。此外，多期构造叠加和岩性变化造成的结构遮挡进一步降低了断层特征的可分辨性。因此，在低信噪比和复杂地质条件下实现稳定且连续的三维断层检测仍然是一个重大挑战 [3]。

早期的断层检测方法主要依赖地震属性，如相干性、似然性和方差，并使用手工设计的局部特征算子来表征结构不连续性 [4]，[5]，[6]，[7]，[8]。然而，这些方法在低信噪比或构造高度复杂的场景下易受噪声和参数设置的影响，难以准确可靠地表征三维断层几何形状。随着计算能力的进步，深度学习逐渐成为三维断层检测的主要研究方向。基于卷积神经网络 (CNN) 的模型通过从数据中学习多级特征，减少了对手工设计地震属性的依赖，为端到端的断层结构建模提供了一条新途径 [9]。U-Net 及其三维扩展在断层分割任务中得到广泛应用，FaultSeg3D 通过在大规模合成地震数据上训练三维 CNN，将断层检测形式化为三维体数据分割 [10]。随后的研究通过引入多尺度融合、注意力机制和轻量级网络设计，改善了不同尺度下的断层表示 [11]，[12]，[13]。尽管在局部特征提取和端到端建模方面取得了进展，但深度学习方法在复杂构造结构和低信噪比下的泛化能力仍然困难。

基于合成数据训练的模型往往难以在真实野外条件下保持稳定性能。这主要源于合成数据无法捕捉真实地震数据中存在的复杂且高度非均质的噪声、结构变化以及采集/成像条件。因此，训练数据与应用场景之间出现了显著的领域偏移 [14]，[15]。为了缓解这一问题，一些研究引入了半监督学习 [14]、迁移学习和微调策略 [16]，以及通过属性扰动或生成模型进行数据增强 [17]。最近，生成对抗网络 (GANs) 被用于生成更多样化和具有代表性的训练样本，以解决真实标注数据稀缺的问题 [18]，[19]。现有的方法通常独立建模数据生成和分割任务：生成器通过重建或对抗损失进行优化，而分割网络则在固定的生成数据上进行训练，缺乏任务导向的约束。这种“先生成、后分割”的方法无法确保生成样本在关键特征（如断层几何连续性和分支结构）方面的有效性，从而限制了复杂三维断层检测的性能。因此，迫切需要一种联合优化数据生成和断层分割的闭环机制。该机制应使分割结果直接指导数据生成，同时允许数据生成增强分割性能，实现两者的协同优化。

从结构建模的角度来看，现有的基于 CNN 的三维地震断层检测方法主要依赖局部卷积算子进行特征提取，难以捕捉断层中的长程空间依赖关系。在复杂的构造环境中，如断层分支、倾角变化和本地弱响应区，这些局部特征往往会因地震波传播和散射而变得不明显。因此，基于 CNN 的方法，包括简单的 Transformer-CNN 混合架构，在联合建模局部细节和全局连续性方面仍然受限 [20]，[21]，[22]。此外，现有的网络拓扑结构和特征融合方法严重依赖基于人工经验的设计。固定的感受野和特征流方向难以适应构造复杂性和数据分布的变化 [23]，[24]。为了解决这些挑战，神经网络架构搜索 (NAS) 提供了一种数据驱动的方法来优化网络结构 [25]，[26]。然而，仅靠架构优化无法完全解决合成到实地的泛化问题。主要在合成数据上训练的模型可能仍然学习特定于数据集的模式，这些模式难以很好地转移到具有高噪声水平、低信噪比和复杂结构干扰的真实地震体数据中 [14]，[15]。因此，现有方法仍难以平衡局部断层细节精度、全局结构连续性和真实数据泛化能力。因此，需要一种任务驱动的生成 - 分割协同优化方法来改进结构建模，同时适应不断变化的地质复杂性和数据分布。为了澄清全文使用的缩写，表 1 展示了完整的技术定义及其对应的缩略语。

本文的主要贡献总结如下。
(1) 我们提出了 GenSeg-Seismic，一种用于三维地震断层检测的任务引导生成 - 分割框架。该框架利用断层掩码合成地震纹理，并将生成样本引入分割训练，从而提高分割器对原始合成训练集之外的结构和振幅变化的暴露。
(2) 我们将核心生成 - 分割框架与支持性工程组件区分开来。NAS 用于自动生成器架构选择，SRA 用于长程依赖建模，指数移动平均 (EMA) 稳定推理，随机空间遮挡 (SSO) 在局部地震响应缺失的情况下提高鲁棒性，形态感知损失提供结构正则化。
(3) 我们提供了更完整的实验评估，包括合成基准比较、组件级消融、空间遮挡鲁棒性、边界/连通性分析、NAS 与手工架构比较、阈值和噪声敏感性、经验复杂性以及实地数据跨切片一致性分析。
(4) 我们进一步通过跨切片一致性分析和定性可视化，检查了 GenSeg-Seismic 以及其他方法在 F3 和 Kerry3D 数据集上的泛化能力，为领域偏移下的结构连贯性提供了补充证据。

章节片段
问题表述
设 S∈RD×H×W 表示三维地震体数据，M∈{0,1}D×H×W 表示对应的二值断层掩码。三维地震断层解释的目标是学习一个映射 f?:S→M，使得预测的断层表面在几何上准确、拓扑上连续，并且对噪声和采集变化具有鲁棒性。
实际上，由于三个内在困难，这个问题特别具有挑战性：
(1) 领域差距。三维断层检测的标注训练数据通常生成。
数据集和预处理
我们在具有体素级标注的合成基准数据集和两个没有体素级断层标注的实地地震数据集上评估 GenSeg-Seismic。合成数据集用于定量评估、消融研究和鲁棒性分析。实地数据集用于检查预测的断层响应在领域偏移下是否保持结构连贯。
合成基准数据集。主要实验使用构建并公开的 3D 合成地震数据集

讨论
与代表性的地震断层检测方法相比，包括 FaultSeg3D [10]、ResUNet [31] 和 Fault3DNnet [13]，GenSeg-Seismic 在合成基准上显示出更明显的优势，特别是在 IoU 和连续断层结构的恢复方面。值得注意的是，其 IoU 比比较中最强的基线 Fault3DNnet 高出 0.0850。定性比较进一步表明，所提方法在分支和

结论
本文提出了 GenSeg-Seismic，一种用于三维地震断层检测的任务引导生成 - 分割框架。该框架利用生成的地震样本丰富分割训练，并结合 NAS、SRA、EMA、SSO 和形态感知损失作为支持组件，用于架构适配、长程依赖建模、推理稳定化、鲁棒性增强和结构正则化。
在合成基准测试集上，GenSeg-Seismic 取得了 0.7656 的 IoU，

CRediT 作者贡献声明
韩李明 (Liming Han)：写作 - 原稿，软件，方法论，形式分析。李慕子 (Muzi Li)：可视化，验证，软件，概念化。杨炯夫 (Jiongfu Yang)：写作 - 原稿，方法论，调查，数据整理。张春霞 (Chunxia Zhang)：写作 - 审查与编辑，验证，监督，项目管理，方法论，资金获取，形式分析。张江社 (Jiangshe Zhang)：写作 - 审查与编辑，资源。刘强 (Qiang Liu)：资源，数据整理。郝跃 (Yue Hao)：写作 - 审查与编辑。

利益冲突声明
作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本报告的工作。

致谢
作者非常感谢编辑和匿名审稿人提出的富有洞察力的意见和宝贵建议，这些意见和建议显著提高了本工作的质量和展示效果。我们还要感谢吴新民教授提供了合成地震数据集以及与 FaultSeg3D 项目相关的资源，以及 F3 地震体数据 (gxl.dat)，即荷兰 F3 区块的一个子集。作者还感谢新西兰石油和矿产局 (NZPM) 提供

韩李明 | 李慕子 | 杨炯夫 | 张春霞 | 张江社 | 刘强 | 郝跃 | 宋贤哲