高品质地震数据对地震反演和解释任务至关重要。深度学习技术已被广泛用于提升地震数据质量,但现有方法常以结果为导向而可解释性低,且可复现性低限制了研究结果的验证性。以地震数据特性及特定处理任务为出发点设计独特网络以用于地震数据增强,为神经网络在地震勘探中的“黑箱”特性提供见解。该网络采用全卷积、非下采样框架来适应地震数据的高局部相关性和低全局相关性。网络结合改进的残差收缩模块来提高信噪比,并使用绝对最大归一化进行分布域变换使数据符合地震子波均值为零的正态分布的特性。以基于公开合成地震数据进行训练并用公开真实地震数据测试的策略,通过使用信噪比、局部相似性和频谱分析证实了网络在衰减随机噪声、保真度和相对保幅方面的有效性。易复现且严格控制变量的多项对比实验证实了所提出的网络在不同噪声水平下的鲁棒性和对真实地震数据的泛化能力。
