基于自适应特征融合网络的地震数据重建

地震数据重建是地震数据处理中的关键步骤。传统方法和深度学习方法均已广泛应用于该领域。然而，它们忽视了通道间信息的交互学习，尤其是在缺失率较高、特征提取变得更加困难的情况下。为了解决这一问题，我们提出了一种自适应特征融合网络，用于重建随机缺失和连续缺失的地震数据。该模型设计了信息交互块，以提高特征选择的效率和自适应性。它能够自适应地强调重要特征通道，并实现通道间的信息交换学习。为增强捕获全局和局部细节的能力，在瓶颈处设计了跨维度特征融合模块，整合了通道和空间维度两方面的信息。此外，设计了策略损失（strategy loss），使网络能够学习地震道缺失部分之间的相关性，从而提升我们模型的重建性能。与现有的其他最先进地震数据重建方法相比，所提出的算法在定性和定量评估中均取得了改进：在具有随机缺失数据的合成和实际数据集上，重建质量提高了20%。在具有连续缺失数据的合成和实际数据集上，重建质量提高了30%。在文章末尾，我们进行了消融实验、超参数分析和讨论。• 设计了一种新颖的信息交互块，以实现通道间信息交换学习，并提高特征选择的效率和自适应性。• 设计了跨维度特征融合模块，从通道和空间维度提取特征，以增强捕获全局和局部细节的能力。• 本文创新性地设计了一种名为策略损失的损失函数，引导网络学习地震道的缺失部分，从而提升我们模型的重建性能。