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。