論文の概要: Hybrid Context-Fusion Attention (CFA) U-Net and Clustering for Robust Seismic Horizon Interpretation

• arxiv url: http://arxiv.org/abs/2512.00191v1
• Date: Fri, 28 Nov 2025 20:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.104082
• Title: Hybrid Context-Fusion Attention (CFA) U-Net and Clustering for Robust Seismic Horizon Interpretation
• Title（参考訳）: ロバスト地震水平解釈のためのハイブリッドコンテキストフュージョンアテンション(CFA)U-Netとクラスタリング
• Authors: Jose Luis Lima de Jesus Silva, Joao Pedro Gomes, Paulo Roberto de Melo Barros Junior, Vitor Hugo Serravalle Reis Rodrigues, Alexsandro Guerra Cerqueira,
• Abstract要約: 本稿では,高度U-Net変種と空間クラスタリングを統合し,地平線連続性と幾何学的忠実度を向上させるハイブリッドフレームワークを提案する。 このフレームワークは、メキシルハオフィールド(ブラジルのサントス盆地)のデータセットに0.881と2.49msの検証IoUと2.49msのMAEの検証を行い、北海のデータセットのF3ブロックでは97.6%の優れた表面カバレッジを実現している。
• 参考スコア（独自算出の注目度）: 1.8627637926778255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interpreting seismic horizons is a critical task for characterizing subsurface structures in hydrocarbon exploration. Recent advances in deep learning, particularly U-Net-based architectures, have significantly improved automated horizon tracking. However, challenges remain in accurately segmenting complex geological features and interpolating horizons from sparse annotations. To address these issues, a hybrid framework is presented that integrates advanced U-Net variants with spatial clustering to enhance horizon continuity and geometric fidelity. The core contribution is the Context Fusion Attention (CFA) U-Net, a novel architecture that fuses spatial and Sobel-derived geometric features within attention gates to improve both precision and surface completeness. The performance of five architectures, the U-Net (Standard and compressed), U-Net++, Attention U-Net, and CFA U-Net, was systematically evaluated across various data sparsity regimes (10-, 20-, and 40-line spacing). This approach outperformed existing baselines, achieving state-of-the-art results on the Mexilhao field (Santos Basin, Brazil) dataset with a validation IoU of 0.881 and MAE of 2.49ms, and excellent surface coverage of 97.6% on the F3 Block of the North Sea dataset under sparse conditions. The framework further refines merged horizon predictions (inline and cross-line) using Density-Based Spatial Clustering of Applications with Noise (DBSCAN) to produce geologically plausible surfaces. The results demonstrate the advantages of hybrid methodologies and attention-based architectures enhanced with geometric context, providing a robust and generalizable solution for seismic interpretation in structurally complex and data-scarce environments.
• Abstract（参考訳）: 地震の地平線を解釈することは、炭化水素探査における地下構造を特徴づける重要な課題である。 近年のディープラーニング、特にU-Netベースのアーキテクチャは、自動地平線追跡を大幅に改善している。 しかし、複雑な地質学的特徴を正確に区分し、スパースアノテーションから地平線を補間することは依然として課題である。 これらの問題に対処するために,高度U-Net変種と空間クラスタリングを統合し,地平線連続性と幾何学的忠実性を高めるハイブリッドフレームワークを提案する。 コアコントリビューションはContext Fusion Attention (CFA) U-Netであり、これは空間的およびソベルから派生した幾何学的特徴をアテンションゲート内に融合させ、精度と表面の完全性の両方を改善する新しいアーキテクチャである。 U-Net(Standard and compressed)、U-Net++、Attention U-Net、CFA U-Netの5つのアーキテクチャのパフォーマンスは、様々なデータ空間(10行、20行、40行の間隔)で体系的に評価された。 このアプローチは既存のベースラインを上回り、メキシルハオ(ブラジルのサントス盆地)のデータセットで0.881と2.49msの検証IoUと2.49msのMAEを達成し、北海のデータセットのF3ブロックでは97.6%の優れた表面カバレッジを実現した。 このフレームワークはさらに、密度に基づくSpatial Clustering of Applications (DBSCAN) を用いて、地平線予測(インラインおよびクロスライン)を改良し、地質学的に可塑性な表面を生成する。 以上の結果から, 構造的に複雑でデータスカースな環境において, 地震の解釈を頑健かつ一般化可能なソリューションとして, 幾何学的文脈で拡張したハイブリッド手法と注目型アーキテクチャの利点が示された。

関連論文リスト

• Geodiffussr: Generative Terrain Texturing with Elevation Fidelity [48.82552523546255]
  テキスト誘導テクスチャマップを合成するフローマッチングパイプラインであるGeodiffussrを紹介する。 マルチスケールコンテンツアグリゲーション(MCA): DEM機能は、複数の解像度でUNetブロックに注入され、グローバルからローカライズされた高度の一貫性が強制される。 Geodiffussrを訓練し,評価するために,SRTM由来のDEMとSentinel-2画像と視覚接地型自然出現キャプションを組み合わせた三重項のグローバル分布,バイオメ-および気候成層コーパスを組み立てた。
  論文  参考訳（メタデータ） (2025-11-28T09:52:44Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Towards Scalable Foundation Model for Multi-modal and Hyperspectral Geospatial Data [14.104497777255137]
  本稿では,3つのイノベーションを取り入れた高効率空間スペクトル変換器について紹介する。 位置マスキングとチャネルマスキングを統合したHyperspectral Masked Autoencoderフレームワークを用いたLESS ViTの事前訓練を行った。 実験により, 提案手法は, 最先端のマルチモーダル地空間基盤モデルと競合する性能を示す。
  論文  参考訳（メタデータ） (2025-03-17T05:42:19Z)
• GeoAI-Enhanced Community Detection on Spatial Networks with Graph Deep Learning [2.3646445757741064]
  本研究では、地域2vecと呼ばれる、GeoAIによる教師なしコミュニティ検出手法のファミリーを提案する。 提案手法は,ノード属性の類似性と空間的相互作用強度を同時に最大化したい場合に,複数のベースラインと比較し,最善を尽くす。 また、公衆衛生における欠落地域脱線問題にも適用され、地域化問題におけるその可能性を実証している。
  論文  参考訳（メタデータ） (2024-11-23T03:09:34Z)
• GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
  ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。 我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。 提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-03-17T20:06:41Z)
• Multiview Subspace Clustering of Hyperspectral Images based on Graph Convolutional Networks [12.275530282665578]
  本研究では、グラフ畳み込みネットワークに基づくハイスペクトル画像(HSI)のマルチビューサブスペースクラスタリングを提案する。 このモデルは、インディアンパインズ、パヴィア大学、ヒューストンを含む3つの人気のあるHSIデータセットで評価された。 合計で92.38%、93.43%、83.82%の精度を達成し、最先端のクラスタリング法を著しく上回った。
  論文  参考訳（メタデータ） (2024-03-03T10:19:18Z)
• Learning Structure Aware Deep Spectral Embedding [11.509692423756448]
  本稿では, スペクトル埋込み損失と構造保存損失を組み合わせ, 深層スペクトルの埋込みを考慮した新しい構造解析手法を提案する。 両タイプの情報を同時に符号化し,構造認識型スペクトル埋め込みを生成するディープニューラルネットワークアーキテクチャを提案する。 提案アルゴリズムは,公開されている6つの実世界のデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-05-14T18:18:05Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
  本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。 レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
  論文  参考訳（メタデータ） (2020-02-25T14:06:27Z)

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。