基于改进环形生成对抗网络的浅地层剖面去噪方法_张一.pdf

张一,丁仁伟,赵硕,等.基于改进环形生成对抗网络的浅地层剖面去噪方法J.CT 理论与应用研究,2023,32(1):15-25.DOI:10.15953/j.ctta.2022.053.ZHANG Y,DING R W,ZHAO S,et al.Shallow Profile Data Denoising Method Based on Improved Cycle-consistent GenerativeAdversarial NetworkJ.CT Theory and Applications,2023,32(1):15-25.DOI:10.15953/j.ctta.2022.053.(in Chinese).基于改进环形生成对抗网络的浅地层剖面去噪方法张一,丁仁伟,赵硕,孙世民,韩天娇山东科技大学地球科学与工程学院,山东 青岛 266590摘要：为解决浅地层剖面数据噪声多、分辨率低问题，本文将环形生成对抗网络的方法应用于浅地层剖面资料的去噪，实现智能去噪。首先，选择具有特殊对称生成对抗网络循环机制以及“循环一致性”损失的环形生成对抗性网络，并对其进行结构改进，提升网络学习和训练的性能。然后，基于优化的浅地层剖面样本集训练网络，实现对于浅地层剖面数据随机噪声的去除，提升数据的信噪比。通过对实验和实际资料的试算，以及与传统带通滤波方法的对比，验证本文方法对浅地层剖面数据去噪的有效性和适应性。关键词：人工智能；浅地层剖面；随机噪声；数据去噪DOI:10.15953/j.ctta.2022.053中图分类号：O 242；P 315；P 631文献标识码：A浅地层剖面探测技术因其低耗、高效、直观的工作特点1，被广泛应用于探查浅层海底结构2、了解海底断裂构造分布3、识别浅层气4等方面，对海洋工程项目的建立具有重要的意义5。由于海洋环境的复杂性和多样性，容易受到海底底质、船只摆动等因素的影响，导致浅剖地震资料受噪声干扰严重，主要有有源噪声和环境噪声两大类6，其中有源噪声是由震源或次生震源形成的干扰背景，包括直达波、多次波、气泡效应等；环境噪声主要是洋流波浪、机械振动以及船动力干扰等引起的，随机产生、分布较不均匀，在时间剖面上呈不规则形态，构成地震记录的主要背景，容易对海底底质分层产生较大影响7。针对随机噪声的不可预测性，相关学者提出不同方法去除随机噪声，提高浅剖资料的质量。传统的地震资料随机噪声去除方法包括中值滤波法8和小波变换9等，这些方法主要用于陆地资料的处理。针对海洋随机噪声的去除方法主要有 f-x（频率-偏移距）域预测去噪技术10、表面多次波压制技术（surface related multiple elimination，SRME）11等。目前常用的方法是 f-x 域预测去噪技术12，该方法可以有效消除同相轴抖动，增强有效数据的占比，取得了较好的应用效果，但该方法适用于较为平缓的反射层，对于起伏较大的反射层容易削减有效能量导致地质构造出现误差。因此，对于复杂的反射层，传统的去噪方法仍然存在一些不足，探究新的去噪算法具有重要的研究意义。近年来，由于人工智能表现出的显著优势，很多学者也开始利用人工智能解决地球物理问题，包括应用于地球物理反演13、断层识别14、孔隙度预测15和速度自动拾取16等。人工智能处理地震勘探数据去噪问题已经成为当前研究的热点之一，如应用卷积神经网络处理不同类型噪声、海上数据去噪等。在数据去噪方面，传统的基于模型驱动的方法，如基于传统滤波器的去噪方法，针对数据本身和噪声的特点进行分析，设计包括针对中值滤波器17、高效率自适应中值滤波器18等实现噪音的压制；而基于特征学习的去噪方法，是通过学习含噪声数据与去噪数据之间的映射关系进行去噪。Jain 等19首次将卷积神经网络应用于自然图像去噪，验证了卷积神经网络在盲去噪环境的可行性，但是该方法的去噪效果严重依赖提取深度，导致去噪性能不稳定；针对该方法的缺点，Zhang 等20提出前馈卷积神经网络（denoising convolutional neural network，DnCNN），首次将残差思想应收稿日期：20220327。第 32 卷第 1 期CT 理论与应用研究Vol.32,No.12023 年 1 月（1525）CT Theory and ApplicationsJan.,2023用于去噪方面，该网络模型显著改善了去噪效果，但在细节和直观效果方面还有待提高。生成对抗网络（generative adversarial networks，GAN）是 Goodfellow 等21提出的一种新的无监督学习算法，具有较强的自主学习和样本生成能力，能够在一定程度上解决卷积神经网络在细节方面的问题；2020 年 Wang 等22将GAN 用于沙漠地震数据去噪；Dong 等23将GAN 与 CNN 结合运用于光纤地震数据去噪，说明 GAN 可以有效抑制不同地区、不同特性的地震资料的噪声。在前人的研究基础上，本文使用生成对抗网络延伸出的环形生成对抗网络24（cycle generativeadversarial network，CycleGAN）对浅地层剖面数据进行随机噪声去噪。CycleGAN 在 GAN 的基础上引入循环一致性损失，不需要一一对应的数据集，可以减少获取浅剖数据的成本，同时可以弥补GAN 损失无效化的不足。本文根据浅剖数据的特点，训练针对浅剖数据去噪的 CycleGAN 网络模型，并将其应用于实际数据，取得良好的去噪效果，与传统去噪方法对比，本文方法在不损失有效信息的基础上，可以有效去除浅地层剖面数据中的随机噪声。1方法原理1.1浅地层剖面原理浅地层剖面是一种基于水声学原理的海底浅层地质构造探测技术，原理如图 1 所示。浅地层剖面探测系统的换能器按一定时间间隔向海底发射大功率声波，抵达海底时，部分声波直接反射回换能器，完成海水深度的测量；另一部分声波则继续向地层深层传播，由于地层结构复杂，在不同界面上又会有部分声波被反射回来。由于这些反射界面的特性和深度不同，在船上接收到回波信号的时间和强度也不同，通过对回波信号的滤波放大处理后，并在显示器上显现为由不同灰度点组成的线条，可以清晰地描绘出地层的剖面结构。1.2CycleGAN 基本原理及方法改进本文采用的 CycleGAN 是 GAN 的改进网络。GAN 同时训练生成网络G（generative network）和判别网络 D（discriminative network），通过对抗来学习产生一个类似训练集分布图像的模型25。训练过程通过相互对抗来交替优化生成网络和判别网络。训练生成网络 G 生成样本来欺骗判别网络 D，训练判别网络 D 来判别图片的真实性26。GAN 结构如图 2 所示。GAN 的目标函数被定义为：LGAN(G,D)=ExPdata(x)(lg(D(x)+EzPz(z)(lg(1D(G(z)，（1）ExPdata(x)EzPz(z)式中，z 为随机噪声，x 为真实数据输入，和 w 分别代表 D 和 G 的参数，、分别表发射点接收点介质1海床反射界面R界面1介质2界面2介质3界面3界面4介质4介质5图 1浅地层剖面原理图Fig.1Schematic diagram of shallowformation profile真实数据 x假随机变量z判别器 D生成器 G生成样本真G(z)图 2GAN 结构Fig.2Structure of GAN16CT 理论与应用研究32 卷D(x)G(z)D(Gw(z)G(z)G(z)G(z)示 x、z 满足的分布律，表示真实图像被识别为真实的概率，为生成网络生成的图像，表示生成网络生成的图像被识别为真实图像的概率。随机变量 z 作为生成器 G 的输入，经过 G 的非线性映射，输出信号 取决于 G 的结构和计算复杂性，从 z 到 一般经过高度复杂的非线性变换，使得随机变量 具备拟合高度复杂分布的能力。从上述 GAN 网络结构可以看出，原始的 GAN 网络是一个完全无监督的神经网络。为了对其实施监督，出现了针对于图像处理的传统生成对抗网络 pix2pix27。然而 pix2pix 的训练常常需要成对并严格对齐的训练样本，而在实际应用中提供符合要求的训练样本常常很难且成本昂贵。为了解决成对样本的问题，研究者们提出了环形生成对抗网络 CycleGAN。CycleGAN 本质上是两个对称的 GAN，构成了一个环形网络。如图 3 所示，CycleGAN 的两个 GAN 共享 2 个生成器，并各自有 1 个判别器，即共有两个判别器和两个生成器。1 个单向 GAN 两个 loss，2 个即共 4 个 loss。生成器 G 用于模拟数据的分布，生成模拟样本，本文的 CycleGAN 的生成网络具体结构如图 4 所示。样本 A 输入到生成器 A2B 中，首先经过一个编码器（Encoder）；然后中间由 6 个残差块（residual block）组成，其中残差块包括卷积层、归一化层和激活层；最终再经过一个解码器（Decoder），输出生成样本。残差网络补充了预测值与观测值之间的差值28，构造一种类似天然的恒等映射。为防止在训练过程中出现梯度消失，导致网络退化的问题，将残差网络 ResNet 引入环形生成对抗网络的生成网络中，实现以跳层连接的形式，使得网络更加快速地收敛，解决了网络退化的问题。残差网络由一系列的残差块（residual block）组成，残差块分为直接映射和残差两个部分，每个残差块的网络由两个卷积层、两个归一化层和一个激活层组成。本文所使用的生成器网络结构在残差块中加入双层卷积，强化了残差块的结构，可以获得更加精准的数据特征。开始判别器 A生成器 A2B判别结果0,1输入_A判别结果0,1生成_B判别器 B循环_A生成器 B2A图 3环形生成对抗网络 CycleGAN 结构Fig.3Structure of CycleGANEncoderInputOutputResNetDecoderblock*4residual blockConvBNReluTanh图 4CycleGAN 生成器网络结构Fig.4Structure of generator network1 期张一等：基于改进环形生成对抗网络的浅地层剖面去噪方法17判别器 D 的目的是根据输入的图像对判断两幅图像的配准程度，本文的 CycleGAN 的判别网络具体结构如图 5 所示。使用了 Leaky Relu 函数29代替Relu 激活函数30，即便输入小于零的值，同样可以计算梯度值，避免了反向传播过程中的梯度方向锯齿问题。样本 A2B 对生成样本和真实样本数据进行判别。判别器由卷积层、归一化层和激活层构成。CycleGAN 的实际目标就是学习从 X 到 Y 的映射，对抗性训练本身既可以学习正向映射 G，也可以学习反向映射 F，网络将同一组输入数据映射到目标域中的任意数据随机排列，其中任何学习到的映射都可以产生与目标分布相匹配的输出分布，并且会产生大量的无效映射，并且增大映射函数空间，即映射过程中可以将所有 x 都映射为 Y 空间中的同一元素 y，使损失无效化，并且占据大量的存储空间。对于浅地层剖面数据来讲，重要的是得到清晰的海底浅层地质构造，一旦出现损失无效会影响最终的去噪效果。因此，为保持转换前后的一致性，本文利用了 CycleGAN 的“循环一致性损失”（cycle-consistency loss）来保证数据循环的有效性。G(x)x G(x)F(G(x)xy F(y)G(F(y)y循环一致性损失的原理如图 6 所示，域 X 中的每个图像 x 的循环周期将生成的 转换为原始图像 x，即 ；同理，对于来自 Y 域的每幅图像 y，其也应满足反向循环一致性，即 。本文的 CycleGAN 损失函数共有 3 部分组成，分为两个对抗性损失，用于生成模型的分布和目标域中的数据相匹配，以及循环一致性损失，用于防止学习的正向映射 G 和反向映射 F 相互矛盾。公式如（2）所示：L(G,F,Dx