《Sensors》：DFRSeisNet: Fluctuation-Prior-Regularized Background Noise Attenuation for Seismic Signal Denoising
编辑推荐：
随着地震勘探逐步扩展至城市边缘地区和人类活动密集区域，人为干扰显著增加，加剧了背景噪声问题并严重影响后续地震数据处理的精度。传统去噪方法难以应对此类复杂噪声模式，通常依赖人工设计的参数设置，从而限制了其在实际地震数据中抑制复杂背景噪声的能力。随着深度学习的快速
随着地震勘探逐步扩展至城市边缘地区和人类活动密集区域，人为干扰显著增加，加剧了背景噪声问题并严重影响后续地震数据处理的精度。传统去噪方法难以应对此类复杂噪声模式，通常依赖人工设计的参数设置，从而限制了其在实际地震数据中抑制复杂背景噪声的能力。随着深度学习的快速发展，多种基于神经网络的方法被引入地震数据去噪领域。然而，现有深度学习方法受限于地震数据的高分辨率及有限的计算资源，通常对裁剪后的数据块（patch）进行去噪而非处理完整的地震剖面。这一限制削弱了网络感知全局上下文信息的能力，降低了去噪性能并可能引入分块伪影（blocking artifacts）。为解决上述问题，研究人员提出一种波动先验正则化的去噪框架，将完整地震数据去噪任务显式分解为全局与局部两个子任务，从而在复杂条件下实现全局一致的去噪。为克服卷积神经网络（CNN）与Transformer各自的局限性，本研究采用Retentive Networks Meet Vision Transformers（RMT）作为特征提取的骨干网络。同时引入一种受波动先验约束的局部去噪机制，使局部数据块能够间接捕获全局信息。此外，针对全局与局部任务提出分组正则化策略，使两类优化任务均能更好地捕捉各自的任务特定特征。在由野外记录构建的含噪炮集记录及野外实测背景噪声上的实验结果表明，所提出的DFRSeisNet在有效缓解分块伪影的同时实现了优越的去噪性能。
论文解读文章
一、研究背景与问题
在地震勘探向城市边缘及工业区扩展的背景下，采集数据中的背景噪声水平显著上升。背景噪声成分复杂、来源多样，主要包括仪器噪声、自然环境噪声（如风致噪声）及人类活动噪声。其中，人类活动产生的噪声往往与有效地震信号在时间、空间及频率特征上高度重叠，严重降低后续成像与解释的可靠性。传统滤波方法（如低通、Radon变换、小波变换等）依赖于预设的参数设定，当噪声与有效信号在频率、视速度或局部倾角上重叠时，这些方法易衰减弱反射能量，且对参数调整高度敏感，难以胜任强背景噪声数据的处理。
深度学习方法的引入为地震去噪带来了突破，但现有方法普遍采用分块（patch-wise）处理策略——即将完整地震剖面切分为小块分别去噪。这种策略虽然解决了GPU内存与计算吞吐量的限制，却破坏了地震剖面的全局空间连续性：各块独立去噪缺乏全局上下文约束，导致拼接后出现振幅不一致与同相轴不连续等分块伪影（blocking artifacts）。这一问题在复杂地质构造区域尤为突出。尽管已有重叠窗口推理与加权融合等启发式策略用于缓解边界伪影，但这些方法并未从根本上对跨块的相干事件几何一致性施加显式约束。因此，亟需一种能将全局结构先验引入局部块去噪过程的框架。
二、研究内容与结论
针对上述问题，研究人员提出了一种名为DFRSeisNet的波动先验正则化去噪框架。该框架将完整地震数据的去噪过程显式分解为全局去噪与局部去噪两个耦合的子任务，利用全局分支获得的信号变化与结构信息构建波动先验（fluctuation prior），用以约束局部分块的去噪过程，从而增强局部恢复结果与全局地震结构的一致性，减轻分块拼接带来的不连续性。实验表明，该方法在合成含噪测试集及野外实测数据上均取得了优于传统方法（小波）、CNN方法（MSSA-Net）及Transformer方法（SwinT）的性能，在信噪比（SNR）、结构相似性（SSIM）及拼接跳跃比（Stitching Jump Ratio，SJR）三个指标上全面领先。更重要的是，该方法在速度谱分析与叠加剖面上也展现出对后续处理流程的积极影响，验证了其在复杂勘探环境下提供稳定可靠预处理数据的潜力。
三、关键技术方法概述
为实现上述目标，研究人员采用了以下几项核心技术：
- 1.
波动先验正则化的全局-局部联合去噪框架：将完整地震剖面下采样后输入共享骨干网络获得低分辨率全局去噪估计，再将其上采样并裁剪得到波动先验，与对应局部含噪块沿通道维度拼接后送入同一共享网络进行局部精细去噪，从而实现跨尺度特征共享与协同优化。
- 2.
基于RMT（Retentive Networks Meet Vision Transformers）的U形网络（RUNet）：以RMT块为基本特征提取模块，利用曼哈顿距离（Manhattan distance）空间衰减函数在注意力机制中引入显式空间先验，并通过水平与垂直方向的结构化解耦实现线性计算复杂度，克服CNN感受野有限与Transformer二次复杂度的局限。网络采用四阶段U形编码器-解码器架构，结合像素重排操作实现尺度变换，并通过对称跳跃连接与全局残差学习增强特征完整性。
- 3.
尺度感知不确定性模块（Scale-Aware Uncertainty Module，SUAM）：从全局与局部分支的最深层瓶颈特征出发，经三层卷积与全局平均池化估计两任务的log方差，经截断后作为自适应权重融入总损失函数，动态平衡全局与局部任务的优化难度，防止某一任务主导训练。
- 4.
拼接跳跃比（SJR）定量评估指标：通过比较拼接边界处相邻数据点的振幅差异与全剖面平均振幅差异，量化分块拼接造成的振幅不连续性，值接近1表示无拼接伪影。
四、研究结果
3.4 测试集对比实验：在-10 dB含噪测试集上，DFRSeisNet的全局与局部去噪结果均表现稳定，局部MSE集中在约2×10-5，全局MSE集中在约5×10-5。与Wavelet、MSSA-Net、SwinT相比，DFRSeisNet在单道波形（Trace 282与Trace 451）上最接近干净标签，且在频率-波数（f-k）谱中有效信号泄漏最少、残余随机噪声最低。在-10 dB、-5 dB、0 dB、5 dB及外推的-15 dB与10 dB条件下，DFRSeisNet的SNR、SSIM、SJR三项指标均最优，且SJR在不同信噪比下保持稳定，而MSSA-Net与SwinT在低信噪比下SJR显著升高。
3.5 消融实验：将UNet、SwinT、RUNet三种编码器-解码器分别嵌入所提框架后，所有架构的去噪性能均提升、拼接伪影均缓解，其中RUNet结合框架取得最佳效果。
4.1 去噪对后续处理的影响：在中国西南地区野外数据集（Dataset-V，共1,099,779道，每道2500采样点，2ms采样间隔）上，DFRSeisNet处理后共中心点（CMP）道集的速度谱能量更集中于合理有效速度范围，叠加剖面在低覆盖次数区域（40-116次）的信噪比显著高于原始数据。
五、讨论与结论
讨论部分指出，本研究所用的“干净参考数据”为高信噪比野外炮集而非严格无噪数据，可能导致训练目标与理想信号的偏差。SJR指标虽能有效区分不同方法的分块连续性差异，但其全局统计特性可能受强反射事件影响，对局部细微不连续的刻画能力有限。此外，当前实验仅涵盖西北与西南地区，对不同地质环境、噪声类型与采集参数的泛化能力尚待系统验证。
结论部分翻译如下：本研究提出了一种基于波动先验正则化的地震数据去噪框架DFRSeisNet。通过联合优化全局与局部去噪任务，该框架有效抑制了复杂背景噪声，同时增强了去噪结果的全局一致性。实验结果表明，所提方法能够有效缓解传统分块去噪因局部上下文信息不足及块间不连续性引起的分块伪影，并在合成含噪数据与受真实干扰的野外数据上表现出稳健的去噪性能。从实践角度看，本研究揭示了复杂人为噪声条件下的地震去噪不应仅关注局部噪声抑制，还需考虑整个地震数据集的全局结构一致性。因此，所提方法在城市边缘及人类活动密集区等复杂噪声环境下的地震数据预处理中具有较大潜力，可为后续地震事件识别、速度分析与成像等任务提供更稳定可靠的输入数据。不同于单纯扩大感受野或增加模型复杂度的思路，融入地震波场特征以建立全局与局部信息间的显式约束，为大尺度地震数据处理中局部建模与全局一致性之间的固有权衡提供了新的视角。
