基于Swin-Transformer与生成对抗网络的地震随机噪声压制方法

摘要：

目前深度学习类地震数据去噪方法大多基于卷积神经网络,而此类方法受限于卷积核的局部操作,缺少对地震数据全局特征的分析,因而降低了去噪效果.另外,以L1,L2损失函数为指标的网络模型容易出现过度平滑效应,产生虚假同相轴以及虚高的峰值信噪比(PSNR)与结构相似性(SSIM)值.为此,提出一种基于Swin-Transformer(Swin-T)和生成对抗网络的去噪方法(ST-GAN).该方法以Swin-Transformer作为生成对抗网络中的生成网络对地震数据去噪,判别网络基于卷积神经网络.Transformer的自注意力机制是全局操作,可以有效提取地震数据的全局特征,并能与卷积神经网络的局部操作互补,提升网络模型的特征提取能力.而对抗损失则提升了网络模型的细节恢复能力,有效避免因过度平滑效应产生的同相轴假象.将该方法应用于地震数据去噪,并与现有去噪方法进行对比分析,实验结果表明,该方法具有更加优异的特征提取能力,能在有效压制随机噪声的同时,恢复和保留更多的细节信息,提高了地震信号的信噪比.

关键词：深度学习、噪声压制、Swin-Transformer、自注意力机制、生成对抗网络、卷积神经网络、损失函数

所属期刊栏目：63

分类号：P631

在线出版日期：2024-02-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：116-128