論文の概要: S2S-WTV: Seismic Data Noise Attenuation Using Weighted Total Variation Regularized Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2212.13523v1
• Date: Tue, 27 Dec 2022 15:36:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 16:12:59.622872
• Title: S2S-WTV: Seismic Data Noise Attenuation Using Weighted Total Variation Regularized Self-Supervised Learning
• Title（参考訳）: S2S-WTV:重み付き全変分正規化自己監督学習による地震データノイズ減衰
• Authors: Zitai Xu, Yisi Luo, Bangyu Wu, Deyu Meng
• Abstract要約: そこで本稿では, 深層遮音器の容量と手作り正規化の一般化能力を組み合わせた自己教師方式を提案する。 S2S-WTVと呼ばれる本手法は,自己教師型ディープネットワークから得られる高い表現能力と,手作りWTVレギュレータの優れた一般化能力の両方を享受する。
• 参考スコア（独自算出の注目度）: 37.3794830249412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Seismic data often undergoes severe noise due to environmental factors, which seriously affects subsequent applications. Traditional hand-crafted denoisers such as filters and regularizations utilize interpretable domain knowledge to design generalizable denoising techniques, while their representation capacities may be inferior to deep learning denoisers, which can learn complex and representative denoising mappings from abundant training pairs. However, due to the scarcity of high-quality training pairs, deep learning denoisers may sustain some generalization issues over various scenarios. In this work, we propose a self-supervised method that combines the capacities of deep denoiser and the generalization abilities of hand-crafted regularization for seismic data random noise attenuation. Specifically, we leverage the Self2Self (S2S) learning framework with a trace-wise masking strategy for seismic data denoising by solely using the observed noisy data. Parallelly, we suggest the weighted total variation (WTV) to further capture the horizontal local smooth structure of seismic data. Our method, dubbed as S2S-WTV, enjoys both high representation abilities brought from the self-supervised deep network and good generalization abilities of the hand-crafted WTV regularizer and the self-supervised nature. Therefore, our method can more effectively and stably remove the random noise and preserve the details and edges of the clean signal. To tackle the S2S-WTV optimization model, we introduce an alternating direction multiplier method (ADMM)-based algorithm. Extensive experiments on synthetic and field noisy seismic data demonstrate the effectiveness of our method as compared with state-of-the-art traditional and deep learning-based seismic data denoising methods.
• Abstract（参考訳）: 地震データはしばしば環境要因による厳しい騒音を受け、その後の応用に深刻な影響を及ぼす。 フィルターや正規化のような従来の手作りのデノイザは解釈可能なドメイン知識を利用して一般化可能なデノイザ手法を設計するが、その表現能力は深層学習デノイザよりも劣る可能性がある。 しかし、高品質のトレーニングペアが不足しているため、ディープラーニングのデノイザーは様々なシナリオにおいて一般化の問題を抱える可能性がある。 本研究では,深部デノイザーの容量と手作り正則化の一般化能力を組み合わせた地震データランダムノイズ減衰のための自己教師あり手法を提案する。 具体的には,S2S(Self2Self)学習フレームワークを,観測された雑音データのみを用いることで,地震データに対するトレースワイドマスキング戦略を用いて活用する。 同時に, 震源の水平局所的スムーズ構造をさらに捉えるために, 重み付き全変動 (WTV) を提案する。 S2S-WTVと呼ばれる本手法は,自己教師型ディープネットワークから得られる高表現能力と,手作りWTV正規化器の優れた一般化能力と自己教師型特性の両方を享受する。 そこで本手法は, より効果的かつ安定にランダムノイズを除去し, クリーン信号の詳細とエッジを保存できる。 s2s-wtv最適化モデルに取り組むために,交互方向乗算法(admm)に基づくアルゴリズムを提案する。 合成・フィールドノイズ地震データに対する広範囲な実験により, 従来型および深層学習に基づく地震探査法と比較して, 提案手法の有効性が示された。

関連論文リスト

• Self-supervised learning for denoising quasiparticle interference data [0.0]
  トンネル分光法は相関電子系の研究において重要な道具である。 機械学習は、後処理のノイズを低減する技術を提供する。 本研究では,教師なしノイズ2ノイズと自己教師付きノイズ2セルフアルゴリズムを適用し,クリーンな例を使わずに雑音を除去する。
  論文  参考訳（メタデータ） (2024-09-13T15:06:51Z)
• A convolutional neural network approach to deblending seismic data [1.5488464287814563]
  本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。 地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。 ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
  論文  参考訳（メタデータ） (2024-09-12T10:54:35Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Explainable Artificial Intelligence driven mask design for self-supervised seismic denoising [0.0]
  自己教師付きコヒーレントノイズ抑圧法は、ノイズ統計の広範な知識を必要とする。 本稿では,視覚ネットワークであるブラックボックスの内部を見るために,説明可能な人工知能アプローチを提案する。 ランダムに選択された多数の入力画素に対するジャコビアン寄与の簡易な平均化が、最も効果的なマスクの指標であることを示す。
  論文  参考訳（メタデータ） (2023-07-13T11:02:55Z)
• Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
  Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。 本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Learnability Enhancement for Low-light Raw Denoising: Where Paired Real Data Meets Noise Modeling [22.525679742823513]
  雑音モデルに基づいてペア化された実データを修正する学習可能性向上戦略を提案する。 我々の戦略は、ショットノイズ増強(SNA)とダークシェーディング補正(DSC)の2つの効率的な手法で構成されている。
  論文  参考訳（メタデータ） (2022-07-13T10:23:28Z)
• Towards Adversarially Robust Deep Image Denoising [199.2458715635285]
  本研究は,ディープ・イメージ・デノイザ(DID)の対角的ロバスト性について系統的に検討する。 本稿では,観測に基づくゼロ平均アタック(sc ObsAtk)という新たな敵攻撃を提案する。 DIDを頑健化するために,DIDと非対向雑音データとを併用したハイブリッド対向訓練(sc HAT)を提案する。
  論文  参考訳（メタデータ） (2022-01-12T10:23:14Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)
• Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
  合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。 従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。 本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-07T07:19:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。