訓練實例在深度學習方法中至關重要,然而,對于地球物理問題,獲取完整的訓練數據并不容易,尤其是解決實際問題時。一方面,地震數據采集成本高昂,且現場數據有限且復雜,獲得干凈的數據具有挑戰性。另一方面,合成地震數據可以提供無噪聲數據,但不能完全解決現場地震數據的問題。眾所周知,自然圖像隨處可見,細節特征豐富。
為了解決這個問題,一些研究人員已經證明,深度去噪網絡可以通過自然圖像進行訓練,然后它很可能能夠對地震數據進行去噪。類似的策略是使用僅用自然圖像訓練的網絡來重建黑洞圖像。
一種神經網絡的泛化研究,通過使用雙噪聲注入和自然圖像使訓練示例完整且具有代表性。雙噪聲注入可以增加可用訓練樣本的數量,通過訓練算法識別和去除某些類型的噪聲,從而使現場數據處理更加靈活。
一種無監督深度學習算法(PATCHUNET),通過修補技術和跳過連接策略來抑制地震數據的隨機噪聲。該算法對修補后的地震數據進行編碼以提取輸入數據的特征,并使用解碼器將這些提取的特征映射到沒有隨機噪聲的干凈信號。