DnCNN和U-Net对地震随机噪声压制的对比分析

作者：高好天; 孙宁娜; 孙可奕; 李钟晓^*; 秦宁; 李振春

来源：地球物理学进展, 2021, 36(06): 2441-2453.

• 卷积神经网络
• 深度学习
• 地震随机噪声压制

卷积神经网络(CNN)是近几年来最常用的用于有监督学习的深度学习算法之一.DnCNN是一种针对图像去噪问题提出的卷积神经网络.U-Net是一种U型结构的卷积神经网络,特点是融合了不同层次的特征,并在不同问题取得了不错的效果.近几年来多种CNN结构被广泛运用于地震数据的随机噪声压制中,但在地震去噪问题上选择CNN结构时有一定的盲目性.针对这一问题,本文对DnCNN和U-Net这两种常用于地震随机噪声压制的网络结构进行了多方面的对比.网络训练时添加不同方差的高斯噪声构成训练集,并分别对地震数据进行了噪声学习和信号学习两种学习方式.同时将CNN的去噪方法与传统的曲波变换(Curvelet)方法在合成数据和实际数据上进行随机噪声的压制效果对比.实验结果表明,在选择的数据上,CNN相对于曲波变换方法能够更好的去除地震数据中的随机噪声,并保护有效信号,同时U-Net比DnCNN能够在地震随机噪声压制中取得更好的效果.

• 单位
  青岛大学; 中国石油大学（华东）