...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Geoscience and Remote Sensing Letters >Improving Seismic Data Resolution With Deep Generative Networks
【24h】

Improving Seismic Data Resolution With Deep Generative Networks

机译：使用深度生成网络提高地震数据的分辨率

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Noisy traces, gaps in coverage, or irregular/inadequate trace spacing are common problems in both land and marine surveys, possibly hindering the geological interpretation of an area of interest. This problem has been typically addressed in the literature using prestack data; however, prestack data are not always available. As an alternative, poststack interpolations may aid the geological interpretation by increasing the spatial density of a seismic section and can also be used to reconstruct entire sections by interpolating neighboring traces, reducing field costs. In this letter, we evaluate the performance of conditional Generative Adversarial Networks (cGANs) as an interpolation tool for improving seismic data resolution on a public poststack seismic data set and compare our results with the traditional cubic interpolation. To perform the comparisons, we used structural similarity (SSIM), mean squared error (mse), and local binary patterns (LBPs) texture descriptor. The results show that cGANs outperform traditional algorithms by up to 72% and that the texture descriptor was able to better capture image similarities, producing results more coherent with the visual perception.
机译：在陆地和海洋测量中，嘈杂的痕迹，覆盖的间隙或不规则/不适当的痕迹间距都是陆地和海洋调查中的常见问题，可能会妨碍对感兴趣区域的地质解释。在文献中通常使用叠前数据解决了这个问题。但是，叠前数据并不总是可用。或者，叠后插值可以通过增加地震剖面的空间密度来辅助地质解释，还可以用于通过插值相邻迹线来重建整个剖面，从而降低了现场成本。在这封信中，我们评估了条件生成对抗网络（cGAN）作为用于提高公共叠后地震数据集上的地震数据分辨率的插值工具的性能，并将我们的结果与传统的三次插值进行了比较。为了执行比较，我们使用了结构相似性（SSIM），均方误差（mse）和局部二进制模式（LBP）纹理描述符。结果表明，cGAN的性能比传统算法高出72％，并且纹理描述符能够更好地捕获图像相似性，从而产生与视觉感知更加一致的结果。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号