A residual dictionary learning method for footprint removal from seismic data
Notice bibliographique
Résumé
We introduce a novel dictionary learning strategy for removal of footprint patterns and random noise in seismic data. To this end, we construct an augmented dictionary based solely on the atoms learned from the coherenceconstrained dictionary learning (CDL), a method that is very effective on attenuating random noise. It turns out that when seismic data is contaminated with acquisition and/or processing footprint, the atoms of the learned dictionary are contaminated by coherent noise patterns. Hence, it is necessary to carry out a morphological and/or texture attribute classification of the atoms for effective footprint removal. Instead, the method that we propose relies on an augmented dictionary that is constructed using a simple data-driven empirical mode decomposition (EMD) algorithm, which leads to a dictionary that contains signal atoms and a residual dictionary that contains footprint atoms. This avoids the use of complex statistical classifications strategies to segregate the atoms of the learned dictionary. As in CDL, the proposed method does not require the user to know or adjust the noise level or the sparsity of the solution for each data set. Further, it only requires one pass of CDL dictionary learning and is shown to produce successful transfer learning results in field data. This leads to a speed-up of the denoising processing, since random and coherent noise can be removed without calculating the augmented dictionary for each time slice of the 3D data volume. Results on field data demonstrate effective footprint removal with accurate edge preservation on time slices of 3D seismic poststack data.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».