Seismic Signal Denoising and Decomposition Using Deep Neural Networks
在常规地震资料处理中，为了提高记录信号的信噪比，并通过去噪和滤波来改善后续的分析，去噪和滤波被广泛使用。在本文中，我们开发了一种新的去噪/分解方法，DeepDenoiser，基于深度神经网络。该网络能够同时学习时频域中数据的稀疏表示和将该表示映射到掩模的非线性函数，该掩模将输入数据分解为感兴趣的信号和噪声（定义为任何非地震信号）。我们表明，即使信号和噪声共享一个共同的频带，DeepDenoiser也能实现令人印象深刻的地震信号去噪。我们的方法适当地处理各种有色噪声和非地震信号。DeepDenoiser可以显着提高信噪比，即使在存在高噪声水平的情况下，也能以最小的波形变化来提高信噪比。我们证明了我们的方法提高地震检测的效果。DeepDenoiser在震波成像、微地震监测和环境噪声数据预处理方面有明确的应用。我们还注意到，我们的方法的潜在应用不仅限于这些应用程序，甚至地震数据，我们的方法可以适应不同的信号和应用程序在其他设置。
2018-11-06 eess.SP physics.geo-ph
A Real Benchmark Swell Noise Dataset for Performing Seismic Data Denoising via Deep Learning
CENPES（森佩斯（巴西石油公司研发中心））；Petrobras（巴西石油公司）；COPPE（科佩大学工程研究院）；Federal University of Rio de Janeiro（里约热内卢联邦大学）
本文提出了一个由合成地震数据与真实噪声混合组成的基准数据集，用于加速地震数据去噪的深度学习新方案开发，并引入了能捕捉微小变化的新评估指标，验证了DL模型去噪的有效性。
2024-10-02 cs.CV cs.LG physics.geo-ph
Fault-conditioned Seismic Image Generation using Denoising Diffusion Probabilistic Modeling and Neural Style Transfer
Bureau of Economic Geology, The University of Texas at Austin（德克萨斯大学奥斯汀分校经济地质局）；SLB（斯伦贝谢）
该研究提出基于DDPM的断层条件地震图像生成框架，开发U-DDPM与FC-DDPM模型，联合标准化多数据集训练，实现可控的地震数据增强，解决地震解释中训练集不足的瓶颈。
2026-10-09 physics.geo-ph
DCMSA: Multi-Head Self-Attention Mechanism Based on Deformable Convolution For Seismic Data Denoising
针对扩散模型处理地震数据时局部特征捕捉和空间关系表达不足的问题，提出基于可变形卷积的多头自注意力机制DCMSA，将其集成到UNet中增强扩散模型去噪能力，实验证明该方法在去噪和保留有效地震信息上更优。
2024-08-13 physics.geo-ph
Deploying Self-Supervised Learning for Real Seismic Data Denoising
COPPE Federal University of Rio de Janeiro（里约热内卢联邦大学Coppe分校）；CENPES, Petrobras（石油公司CENPES）
本文评估了NaC方法在真实地震数据去噪中的性能，发现合成白高斯噪声不足，需考虑实际噪声特性，自监督微调提升SSL性能。
2026-05-11 cs.AI cs.CV cs.LG
Can learning from natural image denoising be used for seismic data interpolation?
Harbin Institute of Technology（哈尔滨工业大学）；University of California（加利福尼亚大学）
提出了一种基于卷积神经网络（CNN）去噪的地震资料插值方法。它提供了一种简单有效的方法来解决深度学习方法通常需要的地球物理训练标签缺乏的问题。该方法包括两个步骤：（1）训练一组来自自然图像的干净噪声对的CNN去噪器以学习去噪;（2）将训练好的CNN去噪器集成到凸集投影（POCS）框架中以执行地震资料内插。该方法以类似于端到端深度学习在地震资料插值上的应用的特点，满足了地震大数据的需求。此外，所提出的方法是灵活的许多情况下的痕迹丢失，因为丢失的情况下不涉及在训练步骤，因此它是即插即用的性质。这表明我们的方法具有高度的普遍性，并且减少了针对具体问题的培训需求。仿真数据和实测数据的实验结果表明，与传统的$f$ - $x$预测滤波和基于曲波变换的POCS方法相比，该方法在信噪比、去混叠和弱特征重构等方面具有良好的插值性能.
2020-08-22 cs.LG eess.SP physics.geo-ph
Blind Curvelet based Denoising of Seismic Surveys in Coherent and Incoherent Noise Environments
本文提出一种结合曲波变换与白化滤波器的盲去噪方法，通过简化噪声方差估计和阈值处理，在相干与非相干噪声环境下均能有效提升地震数据去噪效果。
2022-07-26 physics.geo-ph
Using Convolutional Neural Networks for Denoising and Deblending of Marine Seismic Data
University of Oslo（奥斯陆大学）；CGG
针对海洋地震数据处理计算量大的问题，提出用深度CNN实现去噪与去混叠，采用共道域转换优化训练与效果，相比炮域方法性能更优。
2024-09-13 cs.AI physics.geo-ph
Seismic Data Interpolation via Denoising Diffusion Implicit Models with Coherence-corrected Resampling
本文提出一种基于多模态自适应扩散模型的地震数据插值框架，训练阶段采用余弦噪声调度的去噪扩散概率模型，推理阶段结合去噪扩散隐式模型、相干校正和重采样策略，实现高效条件插值并提升泛化能力。
2024-09-06 physics.geo-ph stat.ML
Prior-Driven Self-Supervised Lightweight Method for Seismic Signal Denoising
本文提出一种基于先验的轻量自监督神经网络，用于有效去除地震信号中的随机噪声。
2025-11-22 physics.geo-ph
Seismic data denoising and deblending using deep learning
Ausar Geophysical（Ausar地球物理公司）
地震数据处理的一个重要步骤是从记录的数据中去除噪声，包括由于同时源和混合源引起的干扰。传统的方法是耗时的应用，因为他们往往需要手动选择参数，以获得良好的结果。我们使用深度学习，结合了在ImageNet上预训练的ResNet架构和在合成地震数据上进一步训练的U-net模型来执行这项任务。该方法适用于共炮检距道集，相邻炮检距道集的去噪作为额外的输入通道。在这里，我们表明，这种方法导致了一种方法，从世界不同地区记录的几个数据集中去除噪声，并取得了一定的成功。我们发现，提供三个相邻的偏移道集的任何一侧的收集被降噪是最有效的。由于该方法不需要选择参数，因此比传统方法更自动化。
2019-07-02 cs.LG eess.IV physics.comp-ph
Conditional Denoising Diffusion Probabilistic Model for Ground-roll Attenuation
提出条件扩散去噪概率模型（c-DDPM）解决地震勘探中面波与反射信号在变换域重叠导致难以分离的问题，通过同时生成干净数据与面波实现高效噪声衰减，实验证明其优于LTF和U-Net方法。
2024-03-27 physics.geo-ph
Seismic Traveltime Tomography with Label-free Learning
College of Big Data and Software Engineering, Zhejiang Wanli University（浙江万里学院大数据与软件工程学院）；Key Laboratory of Geoscience Big Data and Deep Resource of Zhejiang Province, School of Earth Sciences, Zhejiang University（浙江大学地球科学学院浙江省地球科学大数据与深部资源重点实验室）
针对地震走时层析成像深度学习方法依赖标签、传统方法受先验限制的问题，提出结合深度学习与字典学习的无标签方法，通过两步策略增强LSQR低分辨率速度模型，经合成与野外数据验证有效。
2024-04-13 cs.LG physics.geo-ph
Explainable Artificial Intelligence driven mask design for self-supervised seismic denoising
KAUST（阿卜杜拉国王科技大学）
针对自监督地震相干噪声压制依赖噪声统计先验的问题，本文利用无偏置网络的 Jacobian 矩阵自动设计盲掩码，实现无需干净标签和先验知识的全自动去噪，并在合成与野外数据中验证有效。
2023-07-13 cs.AI physics.geo-ph
MAE-GAN: A Novel Strategy for Simultaneous Super-resolution Reconstruction and Denoising of Post-stack Seismic Profile
针对叠后地震剖面低分辨率和强噪声问题，提出MAE-GAN网络，通过多尺度残差模块、注意力机制、Markov判别器及边缘保持损失，实现同时超分辨率重建与去噪，有效恢复弱信号并保留更多地质构造。
2024-05-30 physics.geo-ph
Transfer learning for self-supervised, blind-spot seismic denoising
KAUST（阿卜杜拉国王科技大学）
地震资料中的噪声来自许多源并且不断地演变。使用有监督的深度学习程序对地震数据集进行去噪通常会导致性能不佳：这是由于缺乏无噪声的现场数据作为训练目标，以及合成数据集和现场数据集之间的特征差异很大。自我监督的盲点网络通常通过直接在原始的噪声数据上进行训练来克服这些限制。然而，这种网络通常依赖于随机噪声假设，即使存在最小相关噪声，其去噪能力也会迅速下降。从盲点扩展到盲罩可以有效地抑制特定方向上的相干噪声，但不能适应噪声不断变化的特性。为了抢占网络预测信号的能力，并减少其学习噪声属性的机会，我们提出了一个初始的，监督训练的网络在一个简单生成的合成数据集之前，微调在一个自我监督的方式对感兴趣的领域数据集。考虑到峰值信噪比的变化，以及减少的噪声量和观察到的信号泄漏，我们说明了使用监督基础训练的权重初始化自监督网络的明显好处。这进一步得到了现场数据集测试的支持，其中微调网络在信号保留和降噪之间取得了最佳平衡。最后，使用不切实际的、简单生成的合成数据集进行监督基础训练包括许多好处：仅举几例：需要最少的先验地质知识，大大降低了数据集生成的计算成本，以及如果记录条件发生变化，则降低了重新训练网络的要求。
2022-09-25 cs.LG physics.geo-ph
High Resolution Seismic Waveform Generation using Denoising Diffusion
提出基于扩散模型的高效可扩展生成模型HighFEM，通过频谱图和自编码器降维，条件化生成频率高达50Hz的高分辨率地震波形，准确再现真实地震动统计量。
2025-10-31 cs.AI cs.LG physics.geo-ph
Deep CNN for Coherent Seismic Noise Removal: A Perspective
本文提出利用深度卷积神经网络进行地震数据去噪，重点解决地表相关多次波衰减和同时激发炮能量重叠问题，以减少人工干预并加速处理流程。
2023-12-04 cs.CE physics.geo-ph
Attenuation of marine seismic interference noise employing a customized U-Net
针对海洋地震干扰噪声传统去噪方法耗时、自编码器效果差的问题，提出带逐元素求和跳跃连接的定制U-Net，用25000组现场数据训练，速度远超商业算法，且支持单炮顺序处理。
2024-09-12 physics.geo-ph
Tremor Waveform Denoising and Automatic Location with Neural Network Interpretation
活动断层通过一系列的滑动模式释放板块运动所施加的构造应力，从缓慢的非稳态滑动到动态的震波迹象。慢地震通常与构造震颤有关，这种非脉冲信号很容易隐藏在地震噪音中而无法被检测到。我们提出了一种新的方法，旨在提高地震噪声中隐藏的震颤的检测和定位。在用经典的卷积神经网络识别震颤之后，我们依靠神经网络属性来提取核心震颤特征并对输入波形进行降噪。然后，我们使用这些干净的波形定位震颤与标准的基于阵列的技术。我们将这种方法应用于卡斯卡迪亚俯冲带，在那里我们确定与现有目录一致的震颤补丁。特别是，我们表明，从神经网络属性分析产生的清洁信号对应于在地壳和地幔中以与当地估计一致的波速行进的波形。这种方法使我们能够提取隐藏在噪声中的小信号，从而定位比现有目录更多的震颤。
2020-12-27 physics.geo-ph
Accurate Interpolation of Ambient Noise Empirical Green's Functions by Denoising Diffusion Probabilistic Model and Implicit Neural Representation
University of Science and Technology of China（中国科学技术大学）；Mengcheng National Geophysical Observatory, University of Science and Technology of China（蒙城国家地球物理观测台，中国科学技术大学）；Anhui Provincial Key Laboratory of Subsurface Exploration and Earthquake Hazard Risk Prevention（安徽省地下探测与地震灾害风险预防重点实验室）
本文提出DIER框架，通过隐式神经表示与去噪扩散模型实现高精度EGF插值，显著提升稀疏台站区域的高分辨率环境噪声成像能力。
2026-01-09 physics.geo-ph
Seismic Coherent Noise Removal with Residual Network and Synthetic Seismic Simples
针对叠后地震数据中的相干噪声，提出基于深度残差学习的DR-Unet网络，并利用合成地震数据加真实噪声构建训练集，实验证明其去噪效果优于传统方法。
2023-05-16 physics.geo-ph
The potential of self-supervised networks for random noise suppression in seismic data
KAUST（阿卜杜拉国王科技大学）
噪声抑制是任何地震处理工作流程中必不可少的步骤。这种噪声的一部分，特别是在陆地数据集中，表现为随机噪声。近年来，神经网络已成功地用于以监督的方式对地震资料进行去噪。然而，监督学习总是伴随着通常无法实现的要求，即具有用于训练的噪声-干净数据对。使用盲点网络，我们将去噪任务重新定义为一个自我监督的过程，其中网络使用周围的噪声样本来估计中心样本的无噪声值。基于噪声在样本之间统计独立的假设，网络由于其随机性而难以预测样本的噪声分量，而信号分量由于其时空相干性而被准确预测。合成的例子说明，盲点网络被证明是一个有效的去噪的地震资料污染的随机噪声与最小的损害信号，因此，提供改进的图像域和下线的任务，如反演。最后，建议的方法应用于现场数据和结果进行了比较，两种常用的随机去噪技术：FX-反卷积和Curvelet变换。通过证明盲点网络是随机噪声的有效抑制器，我们相信这只是在地震应用中利用自监督学习的开始。
2021-09-15 cs.LG physics.geo-ph
Sparse-promoting Full Waveform Inversion based on Online Orthonormal Dictionary Learning
Center for Energy and Geo Processing (CeGP) at Georgia Tech and KFUPM（乔治亚理工学院与法赫德国国石油矿物大学能源与地球处理中心）
全波形反演（FWI）通过迭代地最小化记录的和计算的地震资料之间的失配来提供地下的高分辨率图像。它已经成功地攻击高斯-牛顿方法和稀疏促进正则化的基础上固定的多尺度变换，允许显着的子采样的地震资料时，在每个FWI数据拟合迭代的模型扰动可以表示与稀疏系数。而不是使用分析变换与预定义的字典，以实现稀疏表示，我们引入了一个自适应变换称为稀疏正交变换（SOT），其字典是从许多小的训练补丁从模型扰动在以前的迭代学习。基于补丁的字典被约束为正交规范，并使用在线方法进行训练，以提供整个模型扰动的复杂特征和变化的最佳稀疏表示。训练方法的复杂度与一个小块中样本数量的立方成正比。通过将压缩子采样和基于自适应SOT的表示结合到每个FWI迭代的高斯-牛顿最小二乘问题中，可以在对SOT系数应用l1范数稀疏约束之后恢复模型扰动。合成模型的数值实验表明，基于SOT的稀疏促进正则化可以提供强大的FWI结果，减少计算。
2016-11-04 cs.LG cs.NA math.NA
Parameter-Efficient Adaptation of Pre-Trained Vision Foundation Models for Active and Passive Seismic Data Denoising
Computation-based Science and Technology Research Center, The Cyprus Institute（计算科学与技术研究中心，塞浦路斯研究所）；Department of Geosciences, College of Petroleum Engineering and Geosciences, King Fahd University of Petroleum & Minerals（地质学系，石油工程与地质学院，国王法赫德石油与矿物大学）；Department of Intelligent Systems, Faculty of Electrical Engineering, Mathematics and Computer Science, Delft University of Technology（智能系统系，电气工程、数学与计算机科学学院，代尔夫特理工大学）；Department of Mathematics and Statistics, Faculty of Pure and Applied Sciences, University of Cyprus（数学与统计学系，纯应用科学学院，塞浦路斯大学）；Department of Geoscience and Engineering, Faculty of Civil Engineering and Geosciences, Delft University of Technology（地质科学与工程系，土木工程与地质科学学院，代尔夫特理工大学）
本文提出一种高效框架，利用预训练的视觉基础模型进行地震数据去噪，通过低秩适应提升特征适应性，并引入基于kurtosis的无监督测试时适应模块以增强鲁棒性，实验证明其在勘探地震学中的有效性。
2026-09-23 cs.CV cs.LG physics.geo-ph
Transcending Classical Neural Network Boundaries: A Quantum-Classical Synergistic Paradigm for Seismic Data Processing
College of Instrumentation and Electrical Engineering, Jilin University（吉林大学仪器电子学院）
本文提出量子-经典协同生成对抗网络QC-GAN，通过量子路径和卷积路径协同处理地震数据，突破经典GAN的表示瓶颈，提升复杂噪声下的波场连续性和振幅相位信息保留能力。
2026-03-25 cs.LG physics.geo-ph
Velocity Model Building and Editing with Guided Denoising Diffusion Implicit Models
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
介绍结合学习扩散先验和结构预处理逆公式的统一框架用于速度模型编辑与构建，用合成实验和实际数据验证其有效性，强调结构斜率引导在反演性能中的关键作用。
2026-07-07 physics.geo-ph
Unsupervised Posterior Sampling for Seismic Data Recovery via Score-Based Generative Priors
Xi’an Jiaotong University（西安交通大学）；The National Engineering Research Center for Offshore Oil and Gas Exploration（海洋油气勘探开发国家工程研究中心）；School of Information and Communications Engineering（信息与通信工程学院）；School of Mathematics and Statistics（数学与统计学院）
本文提出基于分数生成模型的无监督后验采样框架，用于统一解决地震数据恢复问题，通过自适应噪声估计机制提升灵活性，实现高质量样本生成和对分布外数据的稳健推广。
2026-02-26 physics.geo-ph
Earthquake Detection in 1-D Time Series Data with Feature Selection and Dictionary Learning
地震可以通过匹配来自1-D地震波的空间模式或相位特性来检测。目前的地震检测方法，如波形相关和模板匹配，很难检测到与其他地震不相似的异常地震。近年来，机器学习技术在地震检测中的应用逐渐成为一个新的研究方向。本文提出了一种基于字典学习的地震检测方法。我们的检测方法首先通过信号处理和统计方法生成丰富的特征，并进一步采用特征选择技术来选择携带最重要信息的特征。基于这些选定的功能，我们建立了一个字典，从非地震事件的地震事件进行分类。为了评估我们的基于字典的检测方法的性能，我们测试我们的方法在宾夕法尼亚州立大学的labquake数据集，其中包含3，357，566个时间序列数据点，采样率为400 MHz。总共有1,000个地震事件被手动标记，这些地震事件的长度从74到7151个数据点不等。通过与其他检测方法的比较，我们表明，我们的特征选择和字典学习相结合的地震检测方法达到了80.1%的预测准确率，并优于地震检测的基线方法，包括模板匹配（TM）和支持向量机（SVM）。
2019-01-28 physics.geo-ph
A Mutil-conditional Diffusion Transformer for Versatile Seismic Wave Generation
本文提出一种多条件扩散Transformer地震波生成器，通过生成高质量波形训练下游模型，在真实波形上实现99%震相拾取召回率与精确率，并减少震级估计偏差，为解决区域标注数据不足问题提供了新途径。
2025-09-21 physics.geo-ph
A hybrid approach to seismic deblending: when physics meets self-supervision
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
为了限制与地震资料的采集相关联的时间、成本和环境影响，在最近几十年中，相当大的努力已经投入到所谓的同时激发采集中，其中震源以彼此之间的短时间间隔激发。因此，源自连续炮点的波在地震记录中纠缠在一起，产生所谓的混合数据。为了处理和成像的目的，必须检索每个单独拍摄产生的数据。这个过程称为去混合，是通过求解一个严重欠定的反问题来实现的。传统的方法依赖于将混合噪声渲染成突发状噪声的变换，同时保留感兴趣的信号。然后应用压缩感测类型正则化，其中针对感兴趣的信号假设在某个域中的稀疏性。选择的域取决于采集的几何结构和所选域内地震资料的性质。在这项工作中，我们引入了一个新的概念，包括嵌入一个自我监督去噪网络到即插即用（PSTO）框架。介绍了一种新颖的网络，其设计扩展了[28 ]的盲点网络架构，用于部分相干噪声（即，在时间上是一致的）。然后，在Pestrian算法的每个步骤中，直接在有噪声的输入数据上训练网络。通过利用问题的基本物理特性和我们的盲点网络的强大去噪能力，所提出的算法表现出优于行业标准方法的性能，同时在计算成本方面具有可比性。此外，独立于采集几何，我们的方法可以很容易地应用到海洋和陆地数据，而无需任何显着的修改。
2022-05-30 cs.LG eess.SP physics.geo-ph
An effective self-supervised learning method for various seismic noise attenuation
针对地震监督去噪依赖干净标签、合成数据训练模型在野外数据性能骤降的问题，提出含预热与迭代数据精炼两阶段的自监督去噪策略，在多种噪声场景下野外数据去噪效果显著优于传统监督方法。
2023-11-03 physics.geo-ph
Relaxation algorithms for matrix completion, with applications to seismic travel-time data interpolation
旅行时间层析成像用于通过拟合地面站收集的地震旅行时间数据来推断地球的基本三维波速结构。数据插值和去噪技术是重要的预处理步骤，其使用关于数据的先验知识，包括频域和小波域中的简约性、矩阵化的低秩结构和局部平滑性。我们展示了如何使用水平集优化公式将局部光滑结构与低秩约束相结合，并开发了一种新的松弛算法，可以有效地解决这些联合问题。在地震学环境中，我们使用该方法来插值缺失台站和去噪观测台站。新方法与其他算法相比具有竞争力，并提供了新的功能，在数据拟合约束的存在下，使用平滑度和低秩结构对观测数据进行插值。
2018-08-23 math.OC physics.geo-ph
Sparse Multichannel Blind Deconvolution of Seismic Data via Spectral Projected-Gradient
在这项工作中，一个有效的数值方案，地震盲反褶积在多道场景。所提出的方法包括两个步骤：第一，子波估计在所有通道和第二，细化的反射率估计同时在所有通道使用稀疏反褶积。反射率更新步骤被制定为一个基本的追求去噪问题和稀疏的解决方案，得到与光谱投影梯度算法的忠实性记录的痕迹是由测量的噪声水平的约束。当在频域中通过找到所有通道共有的最小能量小波来执行时，小波重新估计具有封闭形式的解。没有什么是假定已知的小波除了它的持续时间。在与合成和真实数据的测试中，该方法产生稀疏的反射率系列和稳定的子波估计结果相比，现有的方法具有显着更少的计算工作量。
2020-10-18 physics.comp-ph physics.geo-ph
Basis Pursuit Denoise with Nonsmooth Constraints
具有数据驱动约束的水平集优化公式最小化正则化函数，以将观测值匹配到给定的误差水平。这些公式被广泛使用，特别是在数据插值和去噪中的矩阵完成和稀疏性提升。失配水平通常以l2范数或其他平滑度量来测量。在本文中，我们提出了一个新的灵活的算法框架，目标是非光滑水平集约束，包括L1，Linf，甚至L0规范。这些约束为观测和去噪中的偏差建模提供了更大的灵活性，并对解决方案产生了重大影响。测量L1和L0范数的误差使结果对大的离群值更鲁棒，同时精确地匹配许多观测值。我们展示了基追踪去噪（BPDN）问题的方法，以及BPDN矩阵分解的扩展，应用于5D地震数据的插值和去噪。这些新方法特别适用于地震应用，因为数据中的振幅变化很大，低振幅区域的测量噪声可能会对标准高斯误差模型造成严重破坏。
2018-11-28 math.OC physics.geo-ph stat.ML
Separating Simultaneous Seismic Sources using Robust Inversion of Radon and Migration Operators
高密度3D宽方位角勘测配置的出现极大地增加了震波收录的成本。同时震源采集提供了通过减少勘测时间来降低成本的机会。震源时间延迟通常足够长，以使地震反射能量在激发另一个震源之前衰减到可忽略的水平。同时震源采集放弃了这一最小时间限制，并允许震源之间的干扰来压缩勘测时间。震测资料处理方法必须解决由同时重叠源引入的干扰。同时源数据的特征在于可能比主信号更强的高振幅干扰伪影。这些大振幅是由于震源之间的时间延迟和地震能量随到达时间的快速衰减。因此，在使用Radon变换的去噪算法中，源干扰将作为离群值出现。这会降低Radon变换去噪的准确性，尤其是对于弱信号。将Radon变换公式化为具有L1失配的逆问题，使其对由源干扰引起的离群值具有鲁棒性。这提供了衰减强源干扰同时保持弱的潜在信号的能力。为了提高相干信号的聚焦效果，采用了一种移峰双曲拉东变换（ASHRT）来消除源干扰。ASHRT变换基函数被定制以匹配共接收器道集中反射波的走时双曲线。然而，由于通过扫描顶点位置来扩展模型维度，ASHRT变换具有高计算成本。通过使用利用快速傅立叶变换（FFT）的Stolt迁移/反迁移核来重新公式化ASHRT算子，该算子的计算效率被显著地提高。
2017-11-28 physics.geo-ph
Light-weighted foundation model for seismic data processing based on representative and non-redundant pre-training dataset
针对地震数据稀缺与大模型计算成本高的问题，本文提出轻量级 SPFM，通过 GDM 增强、降维聚类和分层抽样构建代表性数据集，并采用 Mamba 架构，在四类任务上以四块 A800 GPU 预训练即超越传统方法。
2025-03-13 physics.geo-ph
A self-supervised scheme for ground roll suppression
提出基于 blind-fan networks 的自监督方案，通过设计预定方向的噪声掩码避免网络学习地滚波相干性，无需干净数据即可有效衰减地震炮集中的混叠地滚波。
2023-10-21 physics.geo-ph
Deep Diffusion Models for Seismic Processing
针对现有判别式深度学习地震处理方法缺乏数据语义理解的问题，本研究将深度扩散模型用于地震数据的多次波压制、去噪和插值任务，经合成与真实数据实验验证其有效性，为生成式模型融入地震工作流奠定基础。
2022-07-21 eess.SP physics.geo-ph
StorSeismic: A new paradigm in deep learning for seismic processing
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
地震数据上的机器学习任务通常是顺序和单独训练的，即使它们利用数据的相同特征（即几何特征）。我们提出StorSeismic，作为地震数据处理的框架，它包括神经网络预训练和微调程序。具体而言，我们利用神经网络作为预处理模型来存储特定数据集的地震数据特征以用于任何下游任务。在预训练之后，所得到的模型可以稍后通过微调过程来使用，以使用有限的额外训练来执行任务。BERT（Bidirectional Encoder Representations from Transformer）是一种Transformer模型的形式，经常用于自然语言处理（NLP），最近用于视觉任务，为该框架提供了最佳平台。BERT的注意力机制，在这里应用于炮集内的一系列道，能够捕获和存储地震数据的关键几何特征。在自我监督步骤中，我们根据现场数据以及综合生成的数据对StorSeismic进行预训练。然后，我们使用标记的合成数据以监督的方式微调预训练的网络，以执行各种地震处理任务，如去噪、速度估计、初至拾取和动校正。最后，使用微调后的模型对现场数据进行推理，得到了满意的结果。
2022-04-30 cs.LG eess.SP physics.comp-ph
A self-supervised learning framework for seismic low-frequency extrapolation
本文提出一种无需标注数据的自监督低频外推方法，可直接在实际数据上训练神经网络，有效缓解全波形反演中的周期跳跃问题，并能在含噪数据上同时实现去噪与低频外推。
2024-01-15 physics.geo-ph
Meta-Processing: A robust framework for multi-tasks seismic processing
本文提出Meta-Processing框架，通过元学习获得通用网络初始化，仅用少量数据即可快速适应去噪、插值等多种地震处理任务，显著提升收敛速度与预测精度。
2023-09-20 physics.geo-ph
Denoising of Geodetic Time Series Using Spatiotemporal Graph Neural Networks: Application to Slow Slip Event Extraction
Univ. Grenoble Alpes（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；IRD（法国发展研究院）；ISTerre（地球内部与表面物理研究所）；Grenoble INP（格勒诺布尔理工学院）；GIPSA-lab（信号与图像、智能系统与环境实验室）；Institut Universitaire de France（法兰西大学研究院）
本文提出SSEdenoiser，一种结合图循环网络与时空Transformer的多站时空图注意力去噪器，用于从GNSS大地测量时间序列中去除复杂时空相关噪声，并在卡斯卡迪亚俯冲带成功以亚毫米级精度提取与构造震颤时空演化一致的慢滑移事件。
2024-05-06 cs.AI cs.LG eess.SP
A generative foundation model for an all-in-one seismic processing framework
Division of Physical Science and Engineering（物理科学与工程学院）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
提出基于生成扩散模型的生成式地震基础模型GSFM，通过合成数据预训练与迭代微调策略，统一解决去噪、插值等多任务地震处理挑战，在提升计算效率与泛化能力的同时实现不确定性量化。
2025-02-03 cs.AI physics.geo-ph
Transformer for seismic image super-resolution
本文提出 SIST 一步完成地震图像去噪、插值和频率外推，融合 Swin-Transformer 与边缘掩膜、跳跃连接以提升分辨率和振幅保持。
2024-08-03 physics.geo-ph
Coherent noise suppression via a self-supervised blind-trace deep learning scheme
相干噪声经常困扰地震记录，导致从下线处理和成像任务中获得的产品中的伪影和不确定性。深度学习在自然和医学图像去噪方面的出色能力最近刺激了神经网络在地震资料去噪背景下的大量应用。大多数此类方法的局限性在于，深度学习过程是有监督的，并且需要干净（无噪声）的数据作为训练网络的目标。盲点网络最近被提出来克服这一要求，允许直接在有噪声的现场数据上进行训练，作为随机噪声的强大抑制器。一个仔细的适应盲点的方法允许扩展到相干噪声抑制。在这项工作中，我们扩展了盲点网络的方法，以创建一个盲跟踪网络，成功地消除了跟踪相干噪声。通过广泛的综合分析，我们说明了去噪过程的鲁棒性，以不同的噪声水平，以及不同数量的噪声道内炮集。结果表明，该网络可以准确地学习，以抑制噪声时，高达60%的原始轨迹是嘈杂的。此外，所提出的程序上实现的Stratton 3D字段数据集，并恢复以前损坏的直接到达。我们对盲点网络的自监督、跟踪噪声抑制的适应可能会导致其他用例，例如抑制井场活动、过往船只或附近工业活动产生的相干噪声。
2022-06-01 physics.geo-ph
Robust Hydraulic Fracture Monitoring (HFM) of Multiple Time Overlapping Events Using a Generalized Discrete Radon Transform
在这项工作中，我们提出了一种新的算法，通过开发的稀疏性所观察到的地震信号时，在一个由时空传播的基础上，水力压裂监测（HFM）的多事件定位。我们提供了明确的建设这些传播波传播，这取决于非线性的问题参数的前向模型-未知的源位置和断裂机制，时间和事件的程度，以及接收器的位置。在相当一般的假设和适当的离散化这些参数，我们首先建立一个过完备的字典广义Radon传播，并假设数据是很好地表示为这些传播的线性叠加。利用这种结构，我们提出了稀疏惩罚算法和工作流程的时间重叠多个震波迹象从单井数据的超分辨率提取。
2013-05-09 cs.IT math.IT physics.geo-ph
SeisEvo: Evolution of Seismic Data Reconstruction Algorithms by Agents
Harbin Institute of Technology（哈尔滨工业大学）；National University of Singapore（新加坡国立大学）；Peking University（北京大学）
该研究提出SeisEvo，以LLM驱动多智能体搜索演化地震重建算子，发现Evo-POCS、Evo-MSSA等算法，性能优于经典方法及基准，为地震数据处理提供可检查的显式算法。
2026-08-20 cs.AI cs.NE eess.SP
