Interpolation and denoising of high-dimensional seismic data by learning a tight frame
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Sparse transforms play an important role in seismic signal processing steps, such as prestack noise attenuation and data reconstruction. Analytic sparse transforms (so-called implicit dictionaries), such as the Fourier, Radon, and curvelet transforms, are often used to represent seismic data. There are situations, however, in which the complexity of the data requires adaptive sparse transform methods, whose basis functions are determined via learning methods. We studied an application of the data-driven tight frame (DDTF) method to noise suppression and interpolation of high-dimensional seismic data. Rather than choosing a model beforehand (for example, a family of lines, parabolas, or curvelets) to fit the data, the DDTF derives the model from the data itself in an optimum manner. The process of estimating the basis function from the data can be summarized as follows: First, the input data are divided into small blocks to form training sets. Then, the DDTF algorithm is applied on the training sets to estimate the dictionary. The DDTF is typically embodied as an explicit dictionary, and a sparsity-promoting algorithm is used to obtain an optimized tight frame representation of the observed data. The computational time and redundancy is controlled by the block overlap of the training set. Finally, the learned dictionary is used to represent the observed data and to estimate data at unobserved spatial positions. Our numerical results showed that the proposed methodology is capable of recovering n-dimensional prestack seismic data under different signal-to-noise ratio scenarios. We determined that subtle features tend to be better preserved with the DDTF method in comparison with standard Fourier and directional transform reconstruction methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle