文献阅读 Seismic Data Super-resolution Method Based on Residual Attention Network

题目

Seismic Data Super-resolution Method Based on Residual Attention Network
基于残差注意网络的地震数据超分辨率方法

摘要

地震数据能够反应地质构造以及地层的组成，精确详细的地震数据能够指导油气勘探工作实现更大的经济效益。数据地震具有局部相关性高、全局相关性低的特点；同时，地震数据的高频部分通常蕴含这地质勘探的重要信息，如分层、断层信息等。本文针对地震数据的特点，提出了基于生成对抗网络的超分辨率方法。设计了残差注意力模块，挖掘地震数据的内在相关性，通过训练含有相对生成对抗损失函数的GAN模型，来对地震数据进行超分辨率恢复，以得到更加精确的地震数据。结果表明，所用方法在地震数据超分辨率上效果良好，具有较强的实用性。

引言

在地震数据的采集过程中，由于收到不同程度上的环境因素（温度、湿度）等，导致最终采集得到的地震数据难以避免地存在部分失真、含有噪声等问题。

• 早期的地震数据重建方法：主要包括在采集方法上使用更加精密的仪器、缩小地面道距、使用更多的检波器等等。这些方法能够获取更加精细的地震数据，但也显著增加了地震数据的采集成本。
• 利用信号的重建方法：基于预测滤波、波动方程、降秩理论、压缩感知等重建方法，这些方法在一定程度上能恢复出地震数据丢失的信息，然而但遇到数据特征复杂、数据量庞大的地震数据时，这些方法难以得到真实且细节丰富的地震数据。
• 深度学习方法：深度学习算法在数据重建领域逐渐兴起，为地震数据的恢复提供了新的思路。本文基于对地震数据特点以及现存重建方法的充分考虑与分析，将地震数据重建问题转换成图像超分辨率问题，提出了基于GAN的地震数据超分辨率方法。

方法

本文首先将地震数据绘制成图像，利用地震成像数据来研究地质的构造以及油藏的分布。
地震解释使用蓝、白、红颜色空间，3个颜色通道分别代表地震波正向振幅、零振幅、负向振幅，可表示为：
$$C_{rbw}=F_{project}(I_{identity})$$
其中，$C_{rbw}$代表映射后的图像数，$F_{project}$表示映射函数，$I_{identity}$表示原始的地震数据。

网络框架如图所示：

方法在ESRGAN的基础上，添加了RA_BLOCK残差注意力模块。
生成器主要由四部分组成：两层全卷积，用于提取地震数据的浅层信息；通道注意力机制模块，用于增强地震数据中的高频；局部信息权重、残差模块，用于学习地震数据中的深层信息；上采样以及超分辨率重建层，用于提升图像的分辨率，学习高分辨率图像与输入图像之间的残差。

输入的特征经过通道注意力单元得到每一个像素位置上的权重，通过逐像素相乘后传入一个卷积模块。随后与残差网络Identity Mapping 相加得到第一阶段的输出。第二阶段与第一阶段相似，将特征图传入空间注意力结构中，得到空间注意力权重后再输出。

传统的生成对抗网络中的损失函数采用概率距离作为量度，计算式如下：
$D(x_r)=\sigma (C(x_r))\to 1$
$D(x_f)=\sigma (C(x_f))\to 0$
其中$x_r$为真实样本，$x_f$为生成样本，$\sigma (\cdot )$为sigmoid函数，$C(\cdot )$表示辨别器的输出。
本文采用的时相对判别损失，即优化函数的目标是保证生成的样本相对真实样本更加真实或更加虚假，计算式如下：
$D_{Ra}(x_r,x_f)=\sigma (C(I_r)-E[C(I_f)])\to 1$
$D_{Ra}(x_f,x_r)=\sigma (C(I_f)-E[C(I_r)])\to 1$
其中，$D_{Ra}$表示相对判别损失，$E_{xf}(\cdot )$表示生成样本各个位置的取值平均。训练生成对抗网络，依次优化生成器和判别器，判别器的损失函数如下：
$L_D^{Ra}=-E_{x_r}[\log (D_{Ra}(x_r,x_f))]-E_{x_f}[\log (1-D_{Ra}(x_f,x_r))]$
生成器的损失函数如下：
$L_G^{Ra}=-E_{x_r}[\log (1-D_{Ra}(x_x,x_f))]-E_{x_f}[\log (D_{Ra}(x_f,x_r))]$

这块没怎么看懂

实验

为了构造成对的地震数据，本文利用采集质量较好的地震数据作为对照组数据，使用线性插值方法将高分辨率数据缩小为原来的1/4以生成低分辨率数据，将结果输入到网络进行训练。