基于深度特征反褶积网络的图像域最小二乘偏移

《IEEE Geoscience and Remote Sensing Letters》：Image-Domain Least-Squares Migration via a Deep Feature Deconvolution Network

　　摘要：最小二乘偏移（LSM）通过补偿Hessian算子引起的模糊来改善地震成像分辨率，但完整Hessian算子的显式构建与反演在计算上仍难以承受。图像域最小二乘偏移（ID-LSM）通常采用点扩散函数（PSF）作为Hessian算子的局部表示。然而，传统PSF反卷积对空间非平稳性和不适定性敏感，往往在分辨率提升与伪影或噪声放大之间存在权衡。为缓解这一问题，我们提出了一种基于深度特征反卷积网络（DFDN）的ID-LSM方法。首先将偏移后的图像映射至深度特征空间，在特征域中执行显式PSF反卷积，随后通过重建网络融合补偿后的特征以恢复最终图像。此外，引入由PSF退化模型推导出的物理一致性约束，以提高算法的稳定性和物理合理性。数值实验表明，与逆时偏移（RTM）和标准ID-LSM相比，所提方法能够获得更高质量的成像结果。