一種用于深度學(xué)習(xí)斷層識(shí)別的高分辨率地震圖像合成方法*

江穗華 段友祥 孫歧峰

（中國(guó)石油大學(xué)（華東）計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 青島 266580）

1 引言

在油氣勘探活動(dòng)中，斷層識(shí)別是研究斷層構(gòu)造的基礎(chǔ)，也是地震資料解釋的關(guān)鍵環(huán)節(jié)之一。斷層本身的形態(tài)規(guī)模，位置與展布對(duì)探究地殼構(gòu)造變化，確定油井定位，了解油氣運(yùn)移通道及蓋層封堵性等意義重大。

早期的斷層解釋是由專(zhuān)業(yè)地質(zhì)人員根據(jù)多年的解釋經(jīng)驗(yàn)，聯(lián)合地震、地質(zhì)、測(cè)井等資料，進(jìn)行人工分析，再對(duì)三維地震數(shù)據(jù)體進(jìn)行手工標(biāo)記，效率低，準(zhǔn)確性不高，且受限于解釋人員的專(zhuān)業(yè)知識(shí)和能力。傳統(tǒng)計(jì)算機(jī)智能識(shí)別的主要研究思路是以地震反射波形同相軸的不連續(xù)為斷層特征［1］，通過(guò)地震屬性增強(qiáng)或圖像分析、圖像處理等方法來(lái)檢測(cè)斷層。如相干體分析［2］、方差分析［3］、螞蟻體算法［4］等，但是這些方法存在參數(shù)選擇困難、計(jì)算流程復(fù)雜的不足。

近幾年，以深度學(xué)習(xí)為代表的人工智能新技術(shù)的迅猛發(fā)展和在很多領(lǐng)域的成功應(yīng)用，為油藏地質(zhì)領(lǐng)域的智能解釋提供了新的解決思路。2019 年，X.M.Wu 提出以Unet 為基礎(chǔ)的faultSeg3D 神經(jīng)網(wǎng)絡(luò)模型［5］，通過(guò)學(xué)習(xí)大量的理論數(shù)據(jù)樣本實(shí)現(xiàn)了對(duì)實(shí)際工區(qū)斷層分布的預(yù)測(cè)，并對(duì)比了多種斷層識(shí)別方法，識(shí)別準(zhǔn)確率達(dá)到了業(yè)界較高水平。2021 年，蘆鳳明等將UNet++網(wǎng)絡(luò)和遷移學(xué)習(xí)相結(jié)合［6］，用于識(shí)別復(fù)雜斷層，大大減少斷層漏識(shí)別和錯(cuò)誤識(shí)別的情況，提升了斷層識(shí)別的準(zhǔn)確性。

目前用于斷層識(shí)別的機(jī)器學(xué)習(xí)模型大都屬于有監(jiān)督學(xué)習(xí)的學(xué)習(xí)模型，模型需要用樣本標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，即需要通過(guò)多輪次的迭代從標(biāo)記數(shù)據(jù)中學(xué)習(xí)斷層的地震響應(yīng)特征，從而使模型最終具有識(shí)別斷層的能力。影響識(shí)別模型能力的一個(gè)重要因素是訓(xùn)練數(shù)據(jù)的建立，一方面模型訓(xùn)練通常需要數(shù)萬(wàn)甚至數(shù)十萬(wàn)有標(biāo)記的地震數(shù)據(jù)，另一方面要保證訓(xùn)練用地震數(shù)據(jù)的質(zhì)量，較好地體現(xiàn)斷層地震特征。但是人工地震與人工斷層解釋耗時(shí)長(zhǎng)、效率低，解釋人員的專(zhuān)業(yè)水平也影響解釋的準(zhǔn)確性，因此獲得高質(zhì)量的訓(xùn)練數(shù)據(jù)集的工作等成本巨大。為了解決這一突出問(wèn)題，本文提出一種基于CGAN的斷層識(shí)別訓(xùn)練地震圖像生成模型，可以批量生成包含準(zhǔn)確斷層標(biāo)簽的訓(xùn)練用地震數(shù)據(jù)集。

2 相關(guān)基礎(chǔ)

2.1 GAN網(wǎng)絡(luò)與CGAN網(wǎng)絡(luò)

Goodfellow 等2014 年在Generative Adversarial Networks［7］一文中提出GAN 網(wǎng)絡(luò)，GAN 模型由生成器G 和判別器D 兩部分組成。生成器G 的作用是學(xué)習(xí)真實(shí)樣本，產(chǎn)生新的數(shù)據(jù)樣本，判別器D 負(fù)責(zé)判斷輸入樣本來(lái)自真實(shí)數(shù)據(jù)還是來(lái)自生成數(shù)據(jù)。

原始GAN 輸入的是隨機(jī)噪音向量，不能生成特定屬性的圖像，為了解決這一問(wèn)題，Mehdi Mirza等提出了條件生成對(duì)抗網(wǎng)絡(luò)［8］（Conditional Generative Adversarial Networks，CGAN）。CGAN結(jié)構(gòu)如圖1 所示，CGAN 生成器和判別器的輸入多了一個(gè)額外信息y，通過(guò)額外信息y來(lái)約束模型。

圖1 CGAN結(jié)構(gòu)

增加的額外信息可以是類(lèi)標(biāo)簽、文本、邊界框、關(guān)鍵點(diǎn)等，它們能夠給生成器一些約束，優(yōu)化了GAN 過(guò)于自由的問(wèn)題，使網(wǎng)絡(luò)可以根據(jù)給定的條件約束生成數(shù)據(jù)。

2.2 Pix2pixHD

Pix2pixHD 是由英偉達(dá)NVIDIA 團(tuán)隊(duì)提出的一個(gè)CGAN 框架［9］，具備輸出高分辨率圖像的能力，例如可以從語(yǔ)義標(biāo)簽貼圖轉(zhuǎn)換為逼真的圖像，如圖2。

圖2 Pix2pixHD示例圖

3 本文方法

本章節(jié)首先使用斷層位置信息對(duì)地震記錄這種具備自身特殊性的數(shù)據(jù)建立一種合適的標(biāo)簽映射。然后從生成器網(wǎng)絡(luò)結(jié)構(gòu)、判別器網(wǎng)絡(luò)結(jié)構(gòu)以及損失函數(shù)三個(gè)方面改進(jìn)Pix2pixHD 模型以適應(yīng)生成地震記錄的任務(wù)。

3.1 地震記錄標(biāo)簽映射

建立有效有意義的地震記錄的標(biāo)簽映射是使用pix2pixHD生成高質(zhì)量高分辨率的地震記錄的第一步，也是關(guān)鍵。

Pix2pixHD原模型采用了語(yǔ)義映射與實(shí)例映射兩種輸入信息，來(lái)生成真實(shí)世界的圖像。在語(yǔ)義映射標(biāo)簽中，每種像素值都代表了一種語(yǔ)義，有相對(duì)應(yīng)的類(lèi)別值。實(shí)例映射則是用來(lái)區(qū)分同類(lèi)對(duì)象的邊界，使得模型能更好地處理有大量同類(lèi)對(duì)象重合情況。

由于地震記錄數(shù)據(jù)的特殊性，所有地震記錄都是地層反射地震波后得到的記錄。其中，斷層是地層發(fā)生錯(cuò)動(dòng)的現(xiàn)象，斷層位置即地層不連續(xù)的位置，斷層不是作為一個(gè)單獨(dú)實(shí)例存在，整個(gè)地震記錄數(shù)據(jù)中的所有實(shí)例都是地層，所以不能將標(biāo)簽設(shè)置為地層這一實(shí)例的語(yǔ)義值。同時(shí)考慮到本方法的目標(biāo)是生成有標(biāo)簽的斷層地震記錄圖像，這種標(biāo)簽即是斷層位置。

所以選取斷層位置信息作為CGAN 模型的輸入標(biāo)簽用來(lái)約束生成模型，在得到生成圖像后，可與輸入標(biāo)簽配對(duì)，成為有標(biāo)簽數(shù)據(jù)。

本文采用Wu 等在文獻(xiàn)［10］中提出的一套生成三維地震記錄的算法作為基礎(chǔ)，該方法被大量其他學(xué)者引用［11～12］。并應(yīng)用驗(yàn)證了該方法合成地震數(shù)據(jù)的可用性。算法的基本步驟如下，見(jiàn)圖3（a）～（e）。

圖3 三維地震記錄合成流程圖

1）生成水平反射模型如圖3（a）所示，其中反射系數(shù)為隨機(jī)在［-1，1］區(qū)間中；

2）在水平反射模型中添加地層褶皺操作，并對(duì)地層做垂直方向的扭曲，得到圖3（b）；

3）在模型中加入平移斷層，得到圖3（c）；

4）將Ricker子波與反射模型進(jìn)行褶積，得到最終的三維地震記錄，如圖3（d）所示；

5）在Wu 等方法的基礎(chǔ)上，添加斷層時(shí)記錄斷層位置，對(duì)地層進(jìn)行移動(dòng)等操作時(shí)計(jì)算斷層位置的偏移，更新斷層位置信息，最終可以得到斷層標(biāo)簽圖3（e）。斷層標(biāo)簽0即黑色區(qū)域代表非斷層位置，斷層標(biāo)簽1即白色區(qū)域代表為斷層位置。

本方法選擇斷層位置信息作為標(biāo)簽的優(yōu)勢(shì)還在于，在有效約束生成器生成空間的前提下，允許地層的不確定性與多樣性的存在，即同要素（走向、傾向、傾角）斷層可能對(duì)應(yīng)不同地震響應(yīng)記錄。

如圖4（a）所示，同樣的一條單斷層，可以對(duì)應(yīng)如圖4（b）、4（c）兩張地層扭曲程度不同的地震記錄圖像，與CGAN 模型對(duì)應(yīng)同一輸入給出多種輸出的特性相吻合。

圖4 單斷層標(biāo)簽對(duì)應(yīng)不同地震記錄

此外，為了擬合整體地震記錄特征，同時(shí)也為了更好地約束生成器的潛在生成空間大小，受傳統(tǒng)GAN 模型用噪音輸入的啟發(fā)，本文在標(biāo)簽中加入大量的噪點(diǎn)，如圖5 所示，作為地震背景的映射，可以更好地體現(xiàn)地震記錄特征。

圖5 加入噪音的斷層標(biāo)簽

3.2 生成器網(wǎng)絡(luò)

本文設(shè)計(jì)使用的Pix2pixHD 生成器結(jié)構(gòu)如圖6所示，采用了兩個(gè)生成器網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)coarse-to-fine由粗到精的圖像生成，分別為G1 全局生成網(wǎng)絡(luò)global generator network 和G2 局部增強(qiáng)網(wǎng)絡(luò)local enhancer network。

圖6 本文Pix2pixHD生成器結(jié)構(gòu)

全局生成網(wǎng)絡(luò)的分辨率為512×256，而局部增強(qiáng)網(wǎng)絡(luò)的分辨率為1024×512，沿著每個(gè)維度為之前的兩倍。

全局生成網(wǎng)絡(luò)與局部增強(qiáng)網(wǎng)絡(luò)結(jié)構(gòu)類(lèi)似，但是輸入輸出的規(guī)模不同。以全局生成網(wǎng)絡(luò)為例，其結(jié)構(gòu)由三部分組成：卷積前端G1-F，殘差塊集G1-R和轉(zhuǎn)置卷積后端G1-B，其輸入是512×256 的語(yǔ)義標(biāo)簽映射向量。

G1-F 首先對(duì)輸入向量進(jìn)行邊界填充，再通過(guò)一個(gè)64 卷積核的卷積層以及四層步長(zhǎng)為2 的卷積層，實(shí)現(xiàn)多次下采樣的效果。最終輸入到殘差網(wǎng)絡(luò)G1-R 的大小為32×16，在高度抽象的情況下，全局生成網(wǎng)絡(luò)學(xué)習(xí)到能在全局規(guī)模上體現(xiàn)出的特征。G1-R殘差塊集中殘差塊的數(shù)量根據(jù)試驗(yàn)效果進(jìn)行調(diào)整，本文設(shè)定G1-R中的殘差塊數(shù)量為4。

在經(jīng)過(guò)殘差網(wǎng)絡(luò)后，512 層的32×16 的語(yǔ)義向量會(huì)被輸入到由四層反卷積層組成的G1-B 網(wǎng)絡(luò)，逐層減少維度，提升大小，最終恢復(fù)為512×256 的大小。

在全局生成網(wǎng)絡(luò)單獨(dú)訓(xùn)練的過(guò)程中，會(huì)將G1-B的輸出通過(guò)一個(gè)卷積層和Tanh 激活函數(shù)轉(zhuǎn)化為三通道的512×256的圖片，作為最終生成結(jié)果輸出。

局部增強(qiáng)網(wǎng)絡(luò)G2 也存在相應(yīng)的結(jié)構(gòu)，分為G2-F，G2-R和G2-B。

G2 網(wǎng)絡(luò)的訓(xùn)練過(guò)程在全局生成網(wǎng)絡(luò)的訓(xùn)練之后，將G1網(wǎng)絡(luò)作為組成部分，插入到G2-F和G2-R中間，G2-R 的輸入是G2-F 與G1-B 兩者輸出的綜合。G2 網(wǎng)絡(luò)的輸入是1024×512 大小的語(yǔ)義標(biāo)簽映射向量，為了滿足上述的網(wǎng)絡(luò)結(jié)構(gòu)，G2-F的下采樣只有一層，來(lái)保證輸出給其嵌套的G1 網(wǎng)絡(luò)的向量大小為512×256。

在G2-B 的最后，通過(guò)一個(gè)卷積層和Tanh 激活函數(shù)轉(zhuǎn)化為三通道的1024×1024 的圖像，作為最終結(jié)果輸出。

3.3 判別器網(wǎng)絡(luò)

高分辨大尺度的圖像對(duì)判別器來(lái)是一個(gè)挑戰(zhàn)，為了有足夠的判別能力，判別器需要足夠大的感受野，而這就要求網(wǎng)絡(luò)結(jié)構(gòu)更深和使用更多層的卷積，這又會(huì)帶來(lái)潛在overfit風(fēng)險(xiǎn)。

Pix2pixhd 模型采用了多判別器思想，對(duì)圖像分層處理。如圖7 所示，用3 個(gè)結(jié)構(gòu)完全相同的判別器D1、D2和D3分別去負(fù)責(zé)不同尺度上的判別任務(wù)，不同尺度的實(shí)現(xiàn)是通過(guò)對(duì)圖像降采樣出一個(gè)1x，2x，4x 的圖像金字塔（image pyramid）。由于圖像的尺寸不同，等效于每個(gè)子判別器的感受野不同，D3的感受野最大。

圖7 多級(jí)判別器結(jié)構(gòu)

每個(gè)判別器D 都是一個(gè)馬爾可夫判別器PatchGAN，其網(wǎng)絡(luò)結(jié)構(gòu)如圖8 所示，由5 個(gè)卷積層組成。卷積層使用4×4 大小的卷積核配合2 步長(zhǎng)，來(lái)避免發(fā)生棋盤(pán)效應(yīng)。

圖8 本文Pix2pixHD判別器結(jié)構(gòu)

與生成器不同，在判別器中使用了LeakyReLU函數(shù)作為激活函數(shù)，相較于ReLU 函數(shù)，LeakyReLU在輸入為負(fù)值的情況下，依然有輸出，避免了神經(jīng)元“死亡”現(xiàn)象的發(fā)生。最后一層卷積層會(huì)將維度降到1，輸出一個(gè)N×N的patch矩陣。

一般GAN 判別器的輸出為一個(gè)數(shù)字，即輸入樣本為真樣本的概率。PatchGAN 的輸出是一個(gè)N×N的patch 矩陣X，這個(gè)矩陣中每個(gè)Xij的值代表某個(gè)patch 為真樣本的概率。最后會(huì)將patch 矩陣進(jìn)行加權(quán)平均，得到一個(gè)loss值，三個(gè)判別器的loss值再取均值，得到一個(gè)最終的loss值。

相較于一般圖像，地震記錄數(shù)據(jù)圖像的一個(gè)特征就是局部強(qiáng)相關(guān)，全局弱相關(guān)。為了擬合地震數(shù)據(jù)的特點(diǎn)，每層判別器乘以一個(gè)影響因子α，隨著抽象程度的增大，α快速衰減。通過(guò)α因子，實(shí)現(xiàn)對(duì)局部細(xì)節(jié)的強(qiáng)化，同時(shí)弱化對(duì)全局一致性的約束。

3.4 損失函數(shù)

本文的損失函數(shù)由GAN loss 和Feature matching loss［13］兩部分構(gòu)成。條件生成對(duì)抗網(wǎng)絡(luò)CGAN的損失函數(shù)可以表示為式（1）：

本文采用了多判別器，同時(shí)使用影響因子α來(lái)實(shí)現(xiàn)鼓勵(lì)細(xì)節(jié)強(qiáng)化，弱化全局一致性。優(yōu)化目標(biāo)可以表示為式（2）：

將判別器D網(wǎng)絡(luò)中除了輸出層的所有層的特征圖都用來(lái)做feature matching。表示第k個(gè)判別器中的第i層特征提取器。?F，M(G，Dk)可以用式（3）計(jì)算：

其中T為網(wǎng)絡(luò)總層數(shù)，Ni為每層的特征數(shù)，(s，x) 為真實(shí)圖像在中的輸出向量，(s，G(s))為生成圖像在中的輸出向量。

將GAN 目標(biāo)函數(shù)和特征匹配損失函數(shù)結(jié)合，可以得到最終的目標(biāo)函數(shù)，見(jiàn)式（4）：

其中λ用于控制特征匹配損失在整個(gè)目標(biāo)函數(shù)的權(quán)重，本文研究中設(shè)置為5.0。尤其在計(jì)算特征匹配損失的過(guò)程中，D只用來(lái)做特征提取，不會(huì)用于最大化?FM(G，Dk)。

4 實(shí)驗(yàn)及結(jié)果分析

4.1 定量評(píng)價(jià)指標(biāo)

本文使用FID，SSMI 以及PSRN 對(duì)合成圖像和真實(shí)圖像進(jìn)行定量評(píng)估。

FID 分?jǐn)?shù)通過(guò)對(duì)比生成圖像與真實(shí)圖像的“距離”來(lái)產(chǎn)生評(píng)估分?jǐn)?shù)。較低的FID 意味著生成器的分布與真實(shí)圖片分布之間更接近，在真實(shí)圖像有效的情況下，也就說(shuō)明生成圖像的有效性。

PSNR峰值信噪比是基于真實(shí)圖像與生成圖像之間的可視誤差的定量評(píng)價(jià)指標(biāo)，計(jì)算的是峰值信號(hào)的能量與噪聲的平均能量之比。PSNR 值越大，代表圖像的失真越小，也就是生成圖像與真實(shí)圖像的差距越小。

SSIM 結(jié)構(gòu)相似度是一種用來(lái)衡量圖片相似度的指標(biāo)，由亮度對(duì)比、對(duì)比度對(duì)比、結(jié)構(gòu)對(duì)比三部分組成。SSIM 取值范圍在0～1 之間，越接近1，說(shuō)明真實(shí)圖像與生成圖像的差距越小。

4.2 實(shí)驗(yàn)設(shè)置

將本文改進(jìn)Pix2pixHD 模型與三種其他基于GAN 的模型DCGAN［14］、ProGAN［15］、Pix2pix［16］在進(jìn)行斷層地震圖像合成對(duì)比實(shí)驗(yàn)。

DCGAN 和ProGAN 屬于傳統(tǒng)GAN 框架，Pix2pix和Pix2pixHD屬于CGAN框架，同時(shí)DCGAN和Pix2pix 輸出分辨率較低，ProGAN 和Pix2pixHD輸出分辨率較高。本實(shí)驗(yàn)使用DCGAN 輸出128×128，ProGAN 輸出1024×1024，Pix2pix 輸出256×256，Pix2pixHD輸出1024×1024分辨率圖像。

所有實(shí)驗(yàn)采用的訓(xùn)練集地震源數(shù)據(jù)相同，采用地震記錄標(biāo)簽映射一節(jié)中提到的三維地震數(shù)據(jù)生成算法合成三維地震記錄與相應(yīng)的斷層標(biāo)簽映射，最終得到多個(gè)尺寸大小為256×256×306 的三維地震記錄數(shù)據(jù)塊與相應(yīng)的斷層標(biāo)簽數(shù)據(jù)。

從三維數(shù)據(jù)體中切片二維地震圖像，作為本文的實(shí)驗(yàn)數(shù)據(jù)集，總計(jì)切片了200 對(duì)（標(biāo)簽與地震記錄）的訓(xùn)練數(shù)據(jù)和100 對(duì)驗(yàn)證數(shù)據(jù)，而且驗(yàn)證數(shù)據(jù)集中的數(shù)據(jù)均沒(méi)有用于模型訓(xùn)練。

由于分辨率的限制，在訓(xùn)練DCGAN時(shí)，縮放到了128×128 分辨率。只有Pix2pix 與Pix2pixHD 屬于CGAN 模型，所以斷層標(biāo)簽數(shù)據(jù)只在此兩個(gè)模型上啟用。

4.3 實(shí)驗(yàn)結(jié)果及分析

對(duì)四個(gè)訓(xùn)練好的模型，進(jìn)行了60 組合成生成斷層地震圖像實(shí)驗(yàn)，從定性和定量?jī)蓚€(gè)方面進(jìn)行結(jié)果分析。圖9～圖11 給出了3 組各對(duì)比模型合成生成的斷層地震圖像。

圖9 第一組模型合成斷層地震圖像對(duì)比

圖10 第二組模型合成斷層地震圖像對(duì)比

圖11 第三組模型合成斷層地震圖像對(duì)比

DCGAN 與ProGAN 由于是傳統(tǒng)GAN 模型，輸入為隨機(jī)噪音，不受約束，所以在評(píng)價(jià)其生成圖像質(zhì)量時(shí)，不從約束條件斷層標(biāo)簽的角度出發(fā)。

從圖9～圖11可以看出：

1）DCGAN 模型基本未學(xué)到任何圖像特征，只是一層模糊的像素堆積，可能與地震圖像的特點(diǎn)有關(guān)，不同于現(xiàn)實(shí)圖片的多彩，特征明顯，更易于學(xué)習(xí)。地震圖像整體只有黑白兩色，除了地層，沒(méi)有明顯特征。對(duì)于無(wú)約束GAN 模型，學(xué)習(xí)難度過(guò)大。DCGAN 模型的結(jié)果基本不可用，視覺(jué)感知效果很差。

2）將真實(shí)圖像和本文的Pix2pixHD 生成的圖像對(duì)比，地層清晰，沒(méi)有地層模糊的情況。同時(shí)斷層位置與斷層標(biāo)簽相符合，也與真實(shí)圖像的斷層位置基本一致。

3）將Pix2pix 的圖像與Pix2pixHD 以及真實(shí)圖像對(duì)比，可以看到pix2pix 在結(jié)構(gòu)方面學(xué)習(xí)到了部分特征，地層明顯，斷層位置與目標(biāo)位置相差不多。不過(guò)由于其缺乏多級(jí)判別器結(jié)構(gòu)，在細(xì)節(jié)方面不夠清晰，整體有點(diǎn)模糊，類(lèi)似有一層噪音。

4）將ProGAN 的生成圖像和Pix2pixHD 以及Pix2pix 圖像對(duì)比，可以看到ProGAN 勉強(qiáng)學(xué)到了地層特征，有地層的雛形。從視覺(jué)效果上，ProGAN沒(méi)有像Pix2pix 那樣模糊的感覺(jué)，也體現(xiàn)了ProGAN 在高分辨率方面的能力。

同時(shí)，對(duì)60 組的實(shí)驗(yàn)結(jié)果進(jìn)行了定量FID、PSNR、SSIM三個(gè)指標(biāo)的統(tǒng)計(jì)和分析，結(jié)果見(jiàn)表1。

表1 不同方法地震合成圖像統(tǒng)計(jì)結(jié)果

從表1可以看出：

1）DCGAN 的FID 高達(dá)273，說(shuō)明圖像與真實(shí)圖像差距巨大；PSNR 只有14，由于地震圖像只有黑白兩色，決定了PSNR 不會(huì)有太大差距；SSIM 為0.092，與視覺(jué)感知相符合。

2）本文模型的FID只有20左右，相比其他模型結(jié)果低了一個(gè)數(shù)量級(jí)，PSNR 大于40，而SSIM 為0.902，十分接近1。三個(gè)指標(biāo)數(shù)值大小與視覺(jué)感知效果相匹配，說(shuō)明模型同時(shí)學(xué)習(xí)到了細(xì)節(jié)特征與宏觀特征，效果優(yōu)異。

3）Pix2pix 的SSIM 為0.313，明顯高于ProGAN與DCGAN，但遠(yuǎn)低于Pix2pixHD。其FID 與PSNR不理想，與其在細(xì)節(jié)方面學(xué)習(xí)能力不足有關(guān)，也與視覺(jué)感知效果相一致。

4）ProGAN 的定量指標(biāo)都相對(duì)較差，考慮到ProGAN 與DCGAN 都屬于傳統(tǒng)GAN，輸入為隨機(jī)噪聲，這種表現(xiàn)可以理解，對(duì)于地震圖像這種特征不明顯的數(shù)據(jù)，在沒(méi)有約束條件的情況下，想優(yōu)化到一個(gè)局部最優(yōu)解的難度很大。

綜上實(shí)驗(yàn)結(jié)果分析表明，本文模型的生成斷層地震圖像在視覺(jué)感知效果和定量評(píng)價(jià)指標(biāo)上都明顯優(yōu)于其他三種方法。

5 結(jié)語(yǔ)

機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)在油氣資源領(lǐng)域中的識(shí)別、預(yù)測(cè)、解釋等方面有廣闊的應(yīng)用前景，也越來(lái)越受到重視。本文針對(duì)有監(jiān)督機(jī)器學(xué)習(xí)模型研究中斷層地震圖像訓(xùn)練數(shù)據(jù)不足、數(shù)據(jù)質(zhì)量差、標(biāo)注困難等問(wèn)題，提出了一種基于Pix2pixHD 框架的地震圖像合成方法，通過(guò)對(duì)Pix2pixHD 模型的進(jìn)行改進(jìn)，使得其更適應(yīng)地震響應(yīng)的“局部強(qiáng)相關(guān)，全局弱相關(guān)”的特性，提高了地震圖像中的地層細(xì)節(jié)。實(shí)驗(yàn)結(jié)果表明，本文改進(jìn)的Pix2pixHD 模型在合成地震數(shù)據(jù)圖像方面，有著更良好的真實(shí)特征表現(xiàn)，以及更優(yōu)的定量評(píng)價(jià)指標(biāo)，實(shí)現(xiàn)了高分辨率的地震圖像生成，從而可高效地獲得高質(zhì)量的訓(xùn)練數(shù)據(jù)集。深度學(xué)習(xí)的領(lǐng)域應(yīng)用提供了基礎(chǔ)支持。