Key points are not available for this paper at this time.
지진 해석은 종종 낮은 해상도와 강한 노이즈 데이터로 제한됩니다. 이 문제를 해결하기 위해, 우리는 딥 컨볼루션 신경망(CNN)을 활용하여 지진 이미지의 슈퍼 해상도 및 노이즈 제거를 동시에 달성하는 것을 제안합니다. CNN을 훈련시키기 위해, 다양한 해상도와 노이즈 수준의 합성 지진 이미지를 많이 시뮬레이션하여 훈련 데이터 세트로 사용합니다. 인식 품질을 향상시키기 위해, 우리는 ₁ 손실과 다중 스케일 구조 유사성 손실을 결합한 손실 함수를 사용합니다. 합성 및 현장 지진 이미지에 대한 광범위한 실험 결과는 제안된 작업 흐름이 원본 데이터의 품질 인식을 상당히 개선할 수 있음을 보여줍니다. 전통적인 방법과 비교할 때, 네트워크는 얇은 층 및 소규모 단층과 같은 상세한 구조적 및 층서적 특징을 향상시키는 데 더 나은 성능을 얻습니다. 우리의 CNN 방법으로 슈퍼 샘플링된 지진 이미지에서 결함 탐지 방법은 원래 지진 이미지보다 더 정확한 결함 지도를 계산할 수 있습니다.
Li et al. (Fri,)는 이 문제를 연구했습니다.