基于多尺度特征自注意力模型的地震数据重建方法

摘要

由于采集条件和成本的限制,叠前地震数据在空间上会出现不规则分布或不完整的情况,给地震数据的后续处理和解释带来困难.近年来广泛应用于缺失地震数据重建工作的卷积神经网络方法缺乏对全局信息的关注,同时多次下采样的网络模型会带来低频信号损失,低振幅缺失部分的重建结果仍需要进一步改进.本文提出了一种多尺度特征自注意力模型,在UGNet主干网络的瓶颈处设计了一个基于自注意力机制的多尺度小波融合块,通过离散小波变换和自注意力机制将所有编码器的输出进行融合,有效平衡全局和局部特征处理,降低下采样带来的信号损失;在网络中插入多尺度感受野,通过学习不同退化数据的多尺度特征来提高性能,增强对不同频率的频谱学习.与经典的地震数据重建方法相比,本文算法的重建结果在定性和定量评估方面均有提升:在30%连续缺失的合成数据集和真实数据集上,重建结果的信噪比分别为21.7487和14.9540d B;在50%随机缺失和规则缺失的合成数据集上,重建结果的信噪比分别为28.8320和37.7242d B.

关键词

自注意力机制 / 小波融合 / 多尺度感受野 / 地震数据重建