Apprentissage profond pour la super-résolution d'images sismiques et le débruitage simultanés

L'interprétation sismique est souvent limitée par des données de faible résolution et de bruit fort. Pour traiter ce problème, nous proposons de tirer parti d'un réseau de neurones convolutionnels profond (CNN) pour réaliser simultanément la super-résolution d'images sismiques et le débruitage. Pour entraîner le CNN, nous simulons de nombreuses images sismiques synthétiques avec différentes résolutions et niveaux de bruit pour servir de jeux de données d'entraînement. Pour améliorer la qualité de perception, nous utilisons une fonction de perte qui combine la perte ₁ et la perte de similitude structurelle multiscalaire. Des résultats expérimentaux extensifs sur des images sismiques synthétiques et de terrain montrent que le flux de travail proposé peut améliorer de manière significative la perception de la qualité des données originales. Par rapport aux méthodes conventionnelles, le réseau obtient de meilleures performances dans l'amélioration des caractéristiques structurelles et stratigraphiques détaillées, telles que les couches fines et les petites failles. À partir des images sismiques super-échantillonnées par notre méthode CNN, une méthode de détection de failles peut calculer des cartes de failles plus précises que celles provenant des images sismiques originales.