-
题名有监督深度学习的地震资料提高分辨率处理方法
- 1
-
-
作者
李斐
牛文利
刘达伟
王永刚
黄研
-
机构
长庆油田勘探开发研究院
西安交通大学电子与信息学部
-
出处
《石油地球物理勘探》
EI
CSCD
北大核心
2024年第4期702-713,共12页
-
基金
国家自然科学基金面上项目“基于频率空间域信号子空间优化的叠前地震资料噪声压制方法”(42374135)
中国石油集团重大专项“致密砂岩气藏提高采收率关键技术研究”(2023ZZ25)联合资助。
-
文摘
地震资料分辨率直接影响后续处理和解释成果精度,因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用。在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过智能化手段显著提升地震资料的分辨率。目前,针对卷积神经网络提高地震资料分辨率方面的研究发展迅速,但问题的核心在于设计适合、有效的网络结构和损失函数。为此,提出一种基于强监督学习的地震资料高分辨率处理方法。该方法充分利用地下结构的空间连续性,借鉴图像超分辨率重建的思想,设计了一种生成对抗网络结构,用以提高地震资料的纵向分辨率;同时,采用L1损失和多尺度结构相似性(MS-SSIM)损失相结合的损失函数提高感知质量,以提高网络的高分辨率处理效果。合成数据和实际地震数据的应用结果显示,相较于常规损失函数,文中采用的损失函数可以显著提升智能算法的处理效果,明显改善地震数据同相轴的连续性,且高频细节信息更丰富,验证了该方法的可行性和有效性。
-
关键词
有监督深度学习
多尺度结构相似性损失
L1损失
生成对抗网络
图像超分辨率重建
-
Keywords
supervised deep learning
multi⁃scale structural similarity loss(MS⁃SSIM)
L1 loss function
genera⁃tive adversarial network
image super⁃resolution reconstruction
-
分类号
P631
[天文地球—地质矿产勘探]
-
-
题名基于增强生成器条件生成对抗网络的单幅图像去雾
被引量：5
- 2
-
-
作者
赵扬
李波
-
机构
武汉科技大学计算机科学与技术学院
-
出处
《计算机应用》
CSCD
北大核心
2021年第12期3686-3691,共6页
-
文摘
大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条件下的去雾效果并不理想。因此,提出一种端到端的一体化除雾网络,使用增强生成器的条件生成对抗网络(CGAN)直接恢复无雾图像。生成器端以U-Net作为基础架构,通过“整合-加强-减去”的促进策略,用一个简单有效的增强解码器,增强解码器中特征的恢复。另外,加入了多尺度结构相似性(MS-SSIM)损失函数,增强图像的边缘细节恢复。在合成数据集和真实数据集上的实验中,该模型的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于传统的暗通道先验(DCP)、一体化除雾网络(AOD-Net)、渐进式特征融合网络(PFFNet)、条件Wasserstein生成对抗网络(CWGAN)去雾模型。实验结果表明,相较于对比算法,所提网络能够恢复出更接近于地面真相的无雾图像,除雾效果更优。
-
关键词
深度学习
图像去雾
生成对抗网络
增强解码器
多尺度结构相似性损失函数
-
Keywords
deep learning
image dehazing
Generative Adversarial Network(GAN)
enhanced decoder
Multi-Scale Structural SIMilarity(MS-SSIM)loss function
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
