SeisFusion: Constrained Diffusion Model with Input Guidance for 3D Seismic Data Interpolation and Reconstruction

地理、物理或经济限制通常会导致地震数据中缺失的迹象，因此完整地震数据的重建是地震数据处理的关键步骤。传统的地震数据重建方法需要选择多个经验参数，并且难以处理大规模的连续缺失数据。随着深度学习的发展，各种神经网络已经展示出强大的重建能力。然而，这些卷积神经网络代表了一种点对点的重建方法，可能无法覆盖数据集的整个分布。因此，在处理具有复杂缺失模式的地震数据时，这些网络可能会遇到不同程度的性能下降。为了应对这一挑战，我们提出了一个针对3D地震数据量身定制的新型扩散模型重建框架。为了约束扩散模型生成的结果，我们引入了条件监督约束到扩散模型中，根据要重建的输入数据约束扩散模型生成的数据。我们在扩散模型中引入了一个3D神经网络架构，成功地将2D扩散模型扩展到了3D空间。此外，我们通过将缺失数据纳入生成过程来改进模型的生成过程，从而得到更高一致性的重建结果。通过确定最佳参数值的消融研究，我们的方法在应用于现场数据集和合成数据集时表现出卓越的重建精度，有效地解决了各种复杂的缺失模式。我们的实现可在https://github.com/WAL-l/SeisFusion上获得。

解决地震数据中缺失值问题的重建方法不够精确和高效，需要提出一种新的方法。

提出了一种基于扩散模型的三维地震数据重建框架，引入条件监督约束，将缺失数据纳入生成过程中，使用3D神经网络架构扩展2D扩散模型，提高了重建的一致性和精度。

论文实现了一个高效精确的地震数据重建方法，通过实验验证了该方法的有效性，同时提供了开源代码。

相关研究包括传统方法和基于深度学习的方法，如卷积神经网络，但这些方法在处理复杂的缺失模式时存在一定的局限性。