Unsupervised Seismic Erratic Noise Suppression Using Implicit Neural Representation
Notice bibliographique
Résumé
Seismic erratic noise, characterized by large isolated events following non-Gaussian distributions, significantly degrades seismic data quality by masking useful signals. Methods based on conventional priors remain essential but face inherent challenges as they struggle to balance noise attenuation and signal preservation. Supervised deep learning approaches are constrained by the scarcity of high-quality labeled training pairs, while existing unsupervised techniques often suffer from suboptimal accuracy and high computational cost. To address these limitations, we propose an unsupervised deep learning framework based on implicit neural representation (INR) for erratic noise suppression in seismic data. The proposed method employs Fourier feature mapping to encode the spatial coordinates of noisy seismic data, which are then processed by a lightweight multilayer perceptron (MLP). The MLP is optimized using a robust Huber loss function to learn a continuous representation of the underlying seismic wavefield, effectively attenuating erratic noise while preserving valuable signal components. The Fourier feature mapping enhances the MLP’s ability to capture high-frequency signal details, while the Huber loss adaptively weights residuals based on amplitude, enabling precise noise suppression. Experimental results on synthetic and field datasets demonstrate its superior performance in suppressing noise while preserving signal fidelity.
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 | 0,001 | 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 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 ».