Large Vision Model-Guided Masked Low-Rank Approximation for Ground-Roll Attenuation

Probleemstelling

Aardse seismische opnames (land seismic) worden vaak verstoord door grondroll (ground roll), een vorm van coherent ruis die kenmerken heeft zoals lage frequentie, lage schijnbare snelheid, hoge amplitude en sterke dispersie.

• Uitdaging: Het verwijderen van grondroll is moeilijk omdat de energie ervan sterk overlapt met nuttige reflecties in zowel de tijd- als frequentiedomeinen.
• Bestaande methoden:
  • Globale methoden: Pas uniforme demping toe op het hele seismische gather. Dit leidt vaak tot signaallekkage (beschadiging van nuttige signalen) in gebieden waar geen grondroll aanwezig is.
  • Lokale methoden: Beperken de demping tot specifieke gebieden. Hun prestaties hangen echter sterk af van de nauwkeurigheid van de gebruikte maskers (gebieden waar grondroll aanwezig is). Bestaande methoden voor maskerschatting zijn vaak handmatig ontworpen of gebaseerd op simpele modellen, wat leidt tot onnauwkeurige segmentatie en suboptimale resultaten.

Methodologie: Het LVM-LRA Kader

De auteurs stellen een nieuw raamwerk voor: Large Vision Model–Guided Masked Low-Rank Approximation (LVM-LRA). Dit is een trainingsvrije (label-free) aanpak die bestaat uit twee fasen:

Fase 1: Maskergeneratie met Large Vision Models (LVM)

In plaats van traditionele algoritmen wordt een Large Vision Model (specifiek CLIPSeg) gebruikt om grondroll-dominante gebieden te identificeren.

• Multimodale Prompting: Het model wordt gestuurd via "prompts" (aanwijzingen) in plaats van getrainde labels. Dit omvat:
  1. Morfologische prompts: Tekstuele beschrijvingen van het uiterlijk (bijv. "waaier-vormig", "coherent", "lage helling").
  2. Fysische prompts: Beschrijvingen van de aardse eigenschappen (bijv. "Rayleigh-type oppervlaktewave", "lage snelheid", "dispersief").
  3. Visuele voorbeelden (Exemplars): Een enkel voorbeeldplakje van grondroll om de structuur visueel te verduidelijken.
• Output: Het model genereert een binaire masker ($M$) dat nauwkeurig aangeeft waar de grondroll zich bevindt, zonder dat er gespecificeerde trainingsdata nodig is.

Fase 2: Masker-gestuurde Laag-Rang Benadering (LRA)

Het seismische signaal ($Y$) wordt gemodelleerd als de som van nuttige reflecties ($X$), grondroll ($G$) en ruis ($N$): $Y = X + G + N$.

• Dual Low-Rank Regularisatie:
  • Voor de nutte signalen ($X$) wordt een globale laag-rang beperking in het frequentiedomein toegepast om de continuïteit van de reflectie-gebeurtenissen te behouden.
  • Voor de grondroll ($G$) wordt een lokaal laag-rang beperking toegepast, maar alleen binnen de gebieden die door het masker ($M$) zijn gedefinieerd. Dit voorkomt dat nuttige signalen in schone gebieden onnodig worden onderdrukt.
• Optimalisatie: Het resulterende convex optimalisatieprobleem wordt opgelost met een ADMM-algoritme (Alternating Direction Method of Multipliers). Dit splitst het probleem op in beheersbare subproblemen die efficiënt worden opgelost met behulp van Singuliere Waarde Thresholding (SVT) en Fast Fourier Transforms (FFT).

Belangrijkste Bijdragen

1. Introductie van LVM voor Seismiek: Dit is de eerste studie die een Large Vision Model (CLIPSeg) gebruikt voor de expliciete lokalisatie van grondroll via multimodale prompting. Dit elimineert de afhankelijkheid van handmatige maskerdefinities.
2. Nieuw Decompositiemodel: Een masker-gestuurd laag-rang decompositiemodel dat een lokale laag-rang regularisatie koppelt aan het grondroll-component en een globale aan het nuttige signaal. Dit combineert fysieke modellen met data-gedreven segmentatie.
3. Trainingsvrije Aanpak: Het systeem vereist geen pixel-voor-pixel annotaties of gekoppelde trainingsdata (clean/noisy pairs), wat het zeer schaalbaar maakt voor verschillende opnamegebieden.
4. Efficiënte Oplosser: Een op ADMM gebaseerde solver die gegarandeerde convergentie biedt voor het convex probleem.

Resultaten

De methode is getest op synthetische data en twee verschillende velddatasets en vergeleken met state-of-the-art baselines: LSVD (Local Singular Value Decomposition), F-K filtering (Frequency-Wavenumber) en INR (Implicit Neural Representation).

• Kwalitatieve Resultaten:
  • LVM-LRA behoudt de coherentie van de reflecties beter dan de baselines.
  • De geschatte maskers zijn compacter en nauwkeuriger dan die van LSVD, wat leidt tot minder signaallekkage in schone gebieden.
  • In het frequentie-golfgetal domein (f-k) toont LVM-LRA een sterkere onderdrukking van de verspreide grondroll-energie terwijl de nuttige signaalband intact blijft.
• Kwantitatieve Resultaten:
  • Op synthetische data bereikte LVM-LRA de hoogste Signal-to-Noise Ratio (SNR) (14.50 dB) vergeleken met LSVD (2.55 dB) en F-K (7.54 dB).
  • Op echte data (waar geen ground truth beschikbaar is) toonde LVM-LRA de laagste lokale similariteit tussen het verwijderde ruiscomponent en het nuttige signaal. Dit bevestigt dat er minder nuttig signaal per ongeluk is verwijderd (minder lekkage) dan bij de andere methoden.

Betekenis en Impact

Dit onderzoek markeert een belangrijke verschuiving in seismische ruisonderdrukking door Large Vision Models te integreren met fysisch geïnspireerde optimalisatie.

• Het lost het fundamentele probleem op van signaallekkage door zeer nauwkeurige, datagedreven maskers te genereren zonder menselijke tussenkomst.
• De methode is generaliseerbaar en schaalbaar dankzij de prompt-gebaseerde architectuur, wat betekent dat het eenvoudig kan worden toegepast op nieuwe opnamegebieden zonder opnieuw te hoeven trainen.
• Het biedt een nieuwe richting voor "physics-informed AI" in de geowetenschappen, waarbij de kracht van vision-language modellen wordt gecombineerd met de interpretatie en stabiliteit van wiskundige optimalisatie.