基于卷积字典学习网络的地震数据重建

地震数据重建是地震资料处理的重要步骤。经典的字典学习方法将地震数据分解为重叠的数据块，并独立地计算所有块的稀疏表示，忽略了块之间的相关性。基于卷积字典学习的方法使用线性滤波器替代字典，具有更好的自适应稀疏表示能力。但相应算法的优化涉及卷积运算，求解复杂度较高。另外，重建性能也依赖手动参数的选择。深度学习方法在大量缺失/完整的训练数据驱动下，可以智能、高效地实现缺失地震数据重建。本文结合卷积字典学习和深度学习的优点，提出基于卷积字典学习网络(Convolutional Dictionary Learning Network, CDLNet)的地震数据重建方法，将卷积字典学习方法嵌入到深度神经网络框架中。该方法不仅可以取得更准确、高效的重建结果，而且在卷积字典学习模型和迭代收缩阈值算法(Iterative Shrinkage Thresholding Algorithm, ISTA)的指导下，训练的网络也具有一定的意义。通过仿真和真实数据实验显示，和Unet深度学习方法相比，重建数据的信噪比提高了2～3 dB;和DDTF(Data-Driven Tight Frame, DDTF)字典学习...