基于可训练小波特征提取器的地震数据自适应去噪与分辨率增强方法

《Frontiers in Earth Science》：An adaptive denoising and resolution enhancement method for seismic data based on a trainable wavelet feature extractor

　　

引言：在地震数据采集过程中，噪声干扰与带宽限制常导致信噪比(SNR)与分辨率下降，进而影响地质解释。方法：为解决该问题，研究人员提出一种基于可训练小波特征提取器的自适应双注意力小波去噪与增强网络(AdaWaveNet)。该网络构建于可训练离散小波变换(DWT)与逆离散小波变换(IDWT)核之上，并约束其满足完美重构(PR)性质；设计自适应阈值函数以选择性抑制噪声并保留有效信号；小波特征提取器实现多尺度子带特征学习，并引入注意力机制聚焦关键地质特征。结果：在合成叠后时间域数据、新西兰Kerry3D数据集及实际勘探工区野外地震数据上的实验表明，AdaWaveNet在峰值信噪比(PSNR)、结构相似性指数(SSIM)、边缘保持指数(EPI)与高频能量比(HFR)上持续优于常规小波阈值法、DnCNN-SDC、SeisGAN及其他主流方法。讨论：所提方法有效恢复同相轴连续性与薄层反射信息，为后续地震解释提供高质量数据支撑。

研究背景与立项依据：地震数据是油气勘探、地质解释与储层预测的主要数据源，其质量直接决定后续地质体识别与资源评价的可靠性。野外采集时，地震信号易受环境噪声、仪器假象与非均质性影响而信噪比下降；同时受采集装备带宽限制与传播损失，刻画薄层反射与尖锐地质边界的高频有效成分常被噪声掩盖，分辨率不足成为制约解释的核心瓶颈。传统预测滤波、中值滤波、频域滤波及小波/曲波/Seislet变换等方法中，小波变换具多尺度时频分析优势，但软硬阈值依赖Daubechies等固定基，无法自适应匹配局部统计特性，且硬阈值不连续、软阈值收缩率固定易诱发伪Gibbs现象或细节丢失。深度学习方面，CNN、残差学习、对称跳跃连接编解码及Transformer等虽在插值、低频恢复等任务取得进展，但多数模型仍缺小波域严格PR约束与幅值自适应阈值机制，难以在抑噪同时精确保增强高频细节。为此，研究人员开展基于可训练小波特征提取器的端到端自适应去噪与分辨率增强研究，成果发表于《Frontiers in Earth Science》。

主要关键技术方法：研究人员采用Lin等开源流程与Wu等方案生成配对数据——随机反射系数模型分别卷积高频(35–55 Hz)与低频(10–25 Hz)Ricker子波获高/低分辨率地震体，低分辨集体加SNR 4–14随机噪声，抽取256×256切片得12800对，按8:1:1分训练/验证/测试集并作翻转旋转增广。网络以可训练DWT/IDWT为核，分析低通滤波器h₀初始化为Daubechies-4(db4)，高通g₀、合成端h₁、g₁由h₀经时域反转严格导出以满足PR；设计含tanh连续微分自适应阈值T(x;λ,α,β)及幅值自适应λ_adapt(x)，各子带独立基参；后端接双注意力（通道+空间）残差块；损失由L_mse、L_l1、L_ssim、L_wavelet（子带MSE+L1加权，高频权大）、L_edge、L_freq加小波系数稀疏与滤波器PR正则构成，权重动态调度。

研究结果

2 方法原理与数据：2.1 数据准备证实上述合成配对协议可覆盖多峰值频率与SNR以增泛化。2.2 网络架构：可训练滤波器对比实验显示，固定db4时测试集MSE 0.483、PSNR 21.59 dB、SSIM 0.746；训练后可学习滤波器使MSE降至0.039（降92%）、PSNR 32.56 dB、SSIM 0.954，频响图证网络学到适应地震特征的频带选择。自适应阈值函数中λ右移增强抑噪但弱反射易失，α高近硬阈值利边界清晰、α低平滑适连续沉积，β对数慢变增益保强反射幅值利于AVO，λ_decay按局部能量动态调阈。双注意力残差块借全局平均池化与通道拼接卷积分别重标定通道与突出反射界面/断层空间位置。2.3 损失函数：六重建项加两正则项联合，小波域损失直接监督LH/HL/HH子带系数逼近干净信号，动态权重以近期5轮均值比指数修正防失衡，λ₁=λ₂=0.5固定。

3 评价指标：采用百分1/99截尾归一化后算PSNR与SSIM，避离群干扰。

讨论与结论翻译：所提方法有效恢复同相轴连续性与薄层反射信息，从而为进一步地震解释提供高质量数据支持。

（注：原文未单列独立“Results”章节数值对比表以外之田野数据逐条结论，上述结果均浓缩自2.1–2.3及摘要；作者名Lin et al.、Wu et al.、Daubechies、Mallat等依原文保留。）