Contrastive Learning for Seismic Horizon Tracking with Domain-Specific Priors
作者: Alexandre Thouvenot, Lionel Boillot, Vincent Gripon
分类: cs.CV, cs.LG
发布日期: 2026-06-15
备注: 5 pages, 5 figures. Submitted to the IEEE GRSL for possible publication
💡 一句话要点
提出自监督融合方法以解决无监督地震地平线追踪问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 地震地平线追踪 自监督学习 对比学习 深度学习 信号处理 纹理模型 领域特定先验 无监督学习
📋 核心要点
- 现有的无监督地震地平线追踪方法在故障附近的信号对齐精度不足，导致追踪效果不理想。
- 本文提出自监督融合信号和纹理模型的方法，通过信号导出的局部对应关系训练深度学习模型，增强了模型的鲁棒性。
- 在F3公共数据集和合成故障数据集上的实验结果显示，本文方法的平均绝对误差低于无监督基线，并在性能上与半监督方法相当。
📝 摘要（中文）
无监督的3D地震地平线追踪面临关键限制：基于信号的传播器在故障附近的追踪精度不足，而基于纹理的深度模型在处理不连续性时更为稳健，但通常需要标记数据并降低追踪精度。本文提出了一种自监督的融合方法，将信号导出的局部地平线对应关系作为领域特定先验，训练基于纹理的深度学习模型。具体而言，我们从反射器斜率估计可靠的追踪流，并利用这些流形成对比目标中的正样本对，同时将训练限制在高置信度邻域内，必要时使用故障掩码进行增强。最终，网络学习到的体素级嵌入能够保持局部信号连续性，并通过相似性搜索实现跨越不连续性的地平线传播。
🔬 方法详解
问题定义：本文旨在解决无监督3D地震地平线追踪中的信号对齐精度不足的问题，尤其是在故障附近的挑战。现有方法通常依赖于信号或纹理单一模型，导致在处理不连续性时效果不佳。
核心思路：本文的核心思路是将信号导出的局部地平线对应关系作为领域特定先验，结合纹理驱动的深度学习模型进行自监督学习，从而提高模型在不连续性附近的鲁棒性。
技术框架：整体架构包括信号导出模块、对比学习模块和深度学习模型。首先，从反射器斜率中估计追踪流，然后形成正样本对，最后训练深度学习模型以学习地平线的体素级嵌入。
关键创新：本文的主要创新在于自监督融合信号和纹理模型的方式，通过信号导出的先验信息增强了模型的学习能力，特别是在处理不连续性时的表现。
关键设计：在训练过程中，采用高置信度邻域限制样本选择，并可选使用故障掩码进行数据增强，损失函数设计为对比损失，以确保模型学习到的嵌入能够保持局部信号的连续性。
🖼️ 关键图片
📊 实验亮点
在F3公共数据集和合成故障数据集上的实验结果表明，本文方法的平均绝对误差（MAE）低于无监督基线，并且在与单一标记切片的半监督方法比较时表现出竞争力，显示出显著的性能提升。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在地震勘探和地质分析领域。通过提高地平线追踪的精度和鲁棒性，可以更好地理解地下结构，进而为资源勘探和环境监测提供支持。未来，该方法还可能扩展到其他领域，如医学成像和计算机视觉中的边界检测。
📄 摘要（原文）
Unsupervised 3D seismic horizon tracking faces a key limitation: signal-based propagators provide accurate trace-level alignment but often fail near faults, whereas texture-driven deep models are more robust to discontinuities, typically at the cost of labeled data requirements and reduced trace-level precision. We propose a self-supervised fusion of both paradigms in which signal-derived local horizon correspondences act as domain-specific priors to train a texture-based deep learning model. Specifically, we estimate reliable trace-to-trace flows from reflector slopes and use them to form positive pairs in a contrastive objective, while restricting training to high-confidence neighborhoods, optionally augmented with a fault mask. The objective is not to infer ambiguous correspondences close to discontinuities, but to preserve horizon identity across them. As a result, the network learns voxel-wise embeddings that preserve local signal continuity while enabling horizon propagation beyond discontinuities through similarity search. Experiments on the public F3 dataset and a faulted synthetic dataset achieve lower mean absolute error (MAE) than unsupervised baselines and competitive performance against a semi-supervised method using a single labeled slice.