自適應動態濾波網絡地震隨機噪聲壓制方法

摘要：由于地質及環境條件復雜，導致地震勘探采集資料信噪比相對較低，對后續的研究帶來不利影響，因此地震勘探數據處理中對隨機噪聲的壓制一直備受關注。現有算法無法較好實現對噪聲的有效壓制和對有效信號的極大保留，為此，將傳統方法和深度學習相結合，提出了基于自適應動態濾波網絡（Adaptive Dynamic Filtering Net，ADFNet）的方法壓制地震資料中的隨機噪聲。該網絡以編碼器—解碼器為架構，首先引入通道注意力機制（Attention Mechanism，AM）的思想，通過通道AM對空洞卷積多尺度數據特征集成，為網絡提供了精準且豐富的特征表示；然后，引入動態卷積，以較低的計算復雜度實現對地震資料高頻特征的學習，從而保留更豐富的細節信息。合成數據和實際數據的實驗結果均表明，ADFNet可有效壓制地震資料中的隨機噪聲，同時保留更豐富的地震數據細節，處理后的地震數據信噪比得到顯著提升。

關鍵詞：深度學習，通道注意力機制，動態卷積，殘差學習，信噪比

中圖分類號：P631文獻標識碼：A DOI：10.13810/j.cnki.issn.1000-7210.2024.04.012

Seismic random noise suppression method by adaptive dynamic filtering network

XU Yankai1，WANG Di1，LI Yizhen2，CAO Siyuan3，HAO Yuexiang2

（1.College of Artificial Intelligence，China University of Petroleum（Beijing），Beijing 102249，China；2.Petrochina Chuanqing Drilling Engineering Co.，Ltd.，Shale Gas Exploration and DevelopmentProject Management Department，Chengdu，Sichuan 610000，China）3.CNPC Key Laboratory ofGeophysical Exploration，China University of Petroleum（Beijing），Beijing 102249，China）

Abstract：Due to the complex geological and environmental conditions，the signal?to?noise ratio of seismic data is relatively low，which has a negative impact on subsequent research.Therefore，the suppression of random noise in seismic data processing has been of great concern.The existing algorithms are unable to effectively sup?press noise and preserve the effective signal.Therefore，this paper combines traditional methods with deep learning and puts forward a method based on an adaptive dynamic filtering network to suppress random noise in seismic data.The network is based on an encoder?decoder architecture.Firstly，the idea of channel attention mechanism（AM）is introduced to realize the feature integration of multi?scale data formed by dilated convolu?tion through channel AM，providing accurate and rich feature representation for the network.Then，dynamic convolution is introduced to achieve the learning of high?frequency features of seismic data with low computa?tional complexity，so as to preserve more detailed information.The experimental results of both synthetic data and actual data show that the adaptive dynamic filtering network can effectively suppress random noise in seis?mic data while retaining richer details of seismic data，and the signal?to?noise ratio of seismic data after proces?sing is significantly improved.

Keywords：deep learning，channel attention mechanism，dynamic convolution，residual learning，signal?to?noise ratio（SNR）

徐彥凱，王迪，李宜真，等.自適應動態濾波網絡地震隨機噪聲壓制方法［J］.石油地球物理勘探，2024，59（4）：736-744.

XU Yankai，WANG Di，LI Yizhen，et al.Seismic random noise suppression method by adaptive dynamic filte-ring network［J］.Oil Geophysical Prospecting，2024，59（4）：736-744.

0引言

地震數據在地震勘探過程中不可避免地受到環境中隨機噪聲的污染，嚴重影響有效信號的識別，因此壓制地震數據中的隨機噪聲是地震資料處理的重要一環[1]。學者們針對隨機噪聲壓制提出了很多方法，并廣泛用于常規地震數據處理以提高記錄信號的信噪比。主要方法是利用信號和隨機噪聲在變換域的差異壓制噪聲。例如，f–x域反褶積[2]和Radon變換[3]等方法通過分析地震數據的頻域特征，選擇合適的濾波閾值，實現對地震數據中有效信號的恢復和噪聲分離；小波變換[4]、Shearlet變換[5]和Curvelet變換[6]的主要思想是對地震數據進行變換，然后在變換域設置閾值對信號和噪聲進行分離，最后通過反變換將地震數據轉換到原始空間域，以此實現噪聲的去除；奇異值分解[7]、EMD[8]主要通過對地震數據稀疏表示，并對不同尺度信息設置合適的閾值，實現對噪聲的有效壓制。上述方法雖然在隨機噪聲壓制方面均能取得一定效果，但噪聲壓制性能嚴重依賴閾值函數的選取，面對復雜勘探數據時，往往難以獲得最優閾值參數。

隨著計算機硬件的發展和深度殘差網絡的引入，卷積神經網絡（CNN）[9]在多個領域取得了突破。CNN具有強大的特征提取能力，可以組合低級特征，形成更抽象的高級特征。與依賴先驗知識的特征提取方法相比，CNN可以利用大量的訓練集提取更有效的特征，從而獲得更好的圖像處理性能。近年來，CNN已廣泛應用于地震勘探領域，如地震斷層識別、地震波形分類和噪聲壓制等。Zhang等[10]基于深度CNN的方法抑制圖像噪聲，以擴大卷積感受野的方式對特定噪聲水平的圖像去噪，效果較好。Zou等[11]和Zhang等[12]將動態卷積應用于圖像噪聲壓制，更充分地保護了圖像的細節信息。Li等[13]利用深度可分離卷積在一定程度上降低了計算復雜度。Zamir等[14]、Jiang等[15]提取多尺度特征并應用于圖像去噪，有效地恢復了圖像的細節表示。Shen等[16]在多尺度特征提取及集成基礎上提出了動態卷積的方法進行圖像去噪并取得很好的效果。Chang等[17]通過設計編碼器—解碼器架構擴大網絡感受野，從而使網絡具有更強的語義和對噪聲的魯棒性。李學貴等[18]提出了卷積注意力模塊，通道注意力機制（Attention Mechanism，AM）使網絡能更好地聚焦重要特征，并壓制不重要的特征，可有效提升網絡性能。Dai等[19]引用AM到深度學習模型中并用于圖像去噪，可有效壓制圖像中的噪聲且保留圖像細節。Gou等[20]的多尺度設計為地震數據去噪提供了豐富的多尺度特征表示。但是以上網絡均采用靜態卷積提取特征，可能導致過度平滑的偽影，而且網絡結構大多較龐大，導致計算量大，推理速度慢，且在跨尺度特征提取時不能充分利用多尺度特征并集成表示。鐘鐵等[21]融合多尺度特征，提升了網絡針對弱信號的特征表達能力。受到以上網絡的啟發，本文提出了一種利用自適應動態濾波網絡（Adaptive Dynamic Filtering Net，ADFNet）壓制地震資料隨機噪聲的方法。該網絡以解碼器—編碼器為架構，引入動態卷積從而捕捉更豐富的地震信號細節，同時通過多尺度特征集成提取更豐富的特征，并有效實現對地震數據的去噪。

1基本原理

1.1網絡結構

本文采用編碼器—解碼器結構（圖1），其中編碼器和解碼器中從第一組到第四組的通道數分別為32、64、128和256，可以實現從粗略到精細地去噪。網絡由4組對稱的編碼器和解碼器構成，在每組編碼器和解碼器之間建立殘余連接，可有效防止因網絡深而導致的梯度消失或梯度爆炸，幫助神經網絡更快地收斂，提高了網絡性能。

在編碼器中，首先使用一個3×3的卷積（Conv）從輸入中提取淺層特征，在之后的編碼器中，分別使用卷積塊（CB）和多尺度卷積塊（MCB）提取特征并過濾噪聲，然后通過一個3×3卷積層（Conv）和Leaky ReLU激活函數實現對特征的下采樣。在解碼器中，通過一個6×6的轉置卷積（TConv）實現對特征的上采樣，然后經過動態卷積塊（DCB）和多尺度動態卷積塊（MDCB）在擴大感受野的同時，利用自適應動態卷積核對多尺度特征進行全局濾波，使該網絡抑制噪聲的能力良好泛化，最后重構每個尺度數據壓制地震數據噪聲。

1.2卷積塊（CB）

卷積塊如圖2所示，由3層3×3卷積層和Leaky ReLU激活函數組成，實現對輸入數據的淺層特征提取。其中F1表示前一層卷積網絡提取的特征，F（?）1表示CB的輸出特征。

1.3 MDCB

對于特征集成，大多數現有的方法大都在沒有區別的情況下對多尺度特征采用元素求和或簡單串聯。受AM的啟發，引入通道AM到多尺度特征的集成，為網絡提供豐富的特征表示，MDCB如圖3中第①部分和第②部分所示。

1.3.1通道AM

通道AM網絡（圖3中第②部分）分為壓縮和激勵兩個部分（圖4），其中壓縮部分實現對輸入特征全局空間信息進行壓縮，通過在通道維度進行特征學習而形成各通道的重要性權重。激勵部分通過將權重作用于輸入實現對各個通道進行權重激勵。

輸入的元素特征圖的維度是h×w×c，其中h、w和c分別代表高度、寬度和通道數。壓縮部分的功能是將維數從h×w×c壓縮至1×1×c，該過程通過全局平均池化實現。在激勵部分，需要將壓縮部分融入全連接層，預測各個通道的重要程度，然后對特征對應的通道進行激勵，其中權重的設置和激勵采用簡單的門控機制與激活函數Sigmoid實現。

通道AM模塊關注特征映射中重要特征的內容，通道注意力以中間層的特征映射X為輸入，其計算過程如下

式中：X表示輸入特征；σ（·）表示Sigmoid函數；AvgPool（·）表示平均池化；X表示特征映射的通道權重；X表示通道AM的輸出特征。

1.3.2多尺度特征集成

MCB首先將特征映射通過可變形卷積自適應地設置每個像素的偏移量，使神經網絡可以更精確地區分地震資料中的有效信號與噪聲。空洞卷積可以在不增加參數的情況下擴大感受野，捕獲上、下文的多尺度信息[22]，因此采用卷積和3組空洞率分別為1、3、5的空洞卷積對輸入特征進行處理，獲得4組不同尺度的特征數據，將4組數據沿通道維度疊加后計算通道AM權重，并對之前疊加的特征數據實現對三個維度注意力加權，通過卷積層來融合得到F 2。利用空洞卷積和通道AM，實現高效的多尺度特征提取與集成，使網絡具有了更強大的表示能力。多尺度特征集成不僅大大提升了模型對不同地質復雜結構的泛化能力，而且使神經網絡能夠更精準地區分地震資料中的有效信號與噪聲。

1.4 DCB

動態卷積能根據輸入生成不同的卷積核，從而適應不同位置的特征，具有更強的空間適應性，在更好地處理非均勻分布特征的同時，使模型具有更強的泛化能力，對較為復雜的地質情況和隨機噪聲的干擾能夠更好地處理各種更復雜的需求。靜態卷積的卷積核數量是固定的，大量的參數不可避免導致較大的計算量，并且可能產生過度平滑。另外，頻繁的下采樣操作會不可避免地弱化地震資料中的高頻信號，可能丟失豐富的圖像細節。相比之下，動態卷積的卷積核數量是根據輸入動態生成的，可以大大減少參數量，降低模型復雜度，且動態卷積具有明顯的空間各向異性和內容自適應性，可以賦予網絡強大的恢復復雜高頻信息的能力。為此本文提出用一個SEKG（圖5）改進動態卷積的生成，從而能夠以非常低的計算復雜度學習空間上、下文信息，同時將AM引入到動態卷積的生成中，通過空間信息交互分支和通道信息交互分支，分別增強神經網絡對于重要特征的關注度和精確定位重要信息位置的能力，從而實現對地震數據特征的提取和對地震數據細節的保留。

SEKG由空間特征提取分支和通道信息交互分支組成。為了盡量減少計算量和模型網絡參數，并增強對輸入特征的提取能力，空間特征提取分支由3×3的深度可分離卷積實現，通道信息交互分支包含平均池化層和通道AM加權映射，兩個分支有效利用了通道間和通道內的聯系，實現空間和通道之間的信息交互，然后采用相加運算融合。為了構建動態卷積核組，將相加的結果通過一個1×1卷積輸出維度為（k×k×c）×h×w的特征數據，k為動態卷積核的維度，將特征以像素為單位調整為一系列逐像素卷積核組Wi，j，其中i∈{1，2，…，h}，j∈{1，2，…，w}，每個逐像素卷積核對應圖像中的特定位置。通過這種方式，為每個位置生成了不同的高通濾波動態卷積核。同時將輸入的特征圖依據卷積核維度進行展開，并與生成的動態卷積核組進行卷積操作，得到動態卷積后的輸出特征。

高階卷積操作對擾動敏感，而低階卷積操作則不然，所以動態和純靜態卷積可以產生不同程度的互補表示。在SEKG的基礎上，提出了一個DCB（圖6），由Conv、SEKG和激活函數Leaky ReLU組成，其中，F3表示前一層TConv網絡提取的特征，F（?）3表示DCB的輸出特征。

1.5 MDCB

MDCB可以在擴大感受野的同時利用動態卷積對多尺度特征進行全局濾波（圖3中第②、第③部分），從而增強模型對抑制噪聲的泛化能力。首先將輸入經過變形卷積層后，利用SEKG中的空間特征提取分支和通道信息交互分支等生成動態卷積核組；然后，將輸入分別以空洞率為1、3、5的UnFold展開，并與生成的動態卷積核組進行卷積操作；最后，將輸入和3組卷積后的特征數據融合后利用通道AM實現多尺度特征集成。MDCB通過捕獲跨維度的相互依賴關系，進一步融合提取的多尺度動態特征，對地震數據具有更強大的表達能力。

2實驗

2.1模型訓練

本文選用Python編程語言，并基于PyTorch框架構建實驗環境。首先，將地震數據集按一定比例分為訓練集和測試集，以確保模型的有效性和泛化能力；接著針對不同強度的高斯隨機噪聲分別進行訓練，并保存訓練完善的神經網絡模型。在模型的優化過程中，采用了Adam算法調整模型參數。初始學習率設置為0.0001，學習率衰減系數為0.5，以逐步優化模型性能。實驗中，設定了950個Epoch（迭代周期）充分訓練模型，以確保模型充分學習數據特征。為了減少計算復雜度，采用小批量輸入方式，其中批量大小（Batch_Size）設置為8，以提高訓練效率。采用L2損失函數作為模型的優化目標，以最小化噪聲對地震數據的影響。

將本文所提出的ADFNet應用于模擬地震數據和實際地震數據，并與f–x域反褶積、U-Net方法、DnCNN方法等進行對比。DnCNN為8層網絡結構，網絡參數與參考文獻[21]一致。U-Net為4次下采樣與4次上采樣的網絡結構。為保證去噪結果的客觀性，對比實驗均使用相同的訓練集和實驗環境。使用信噪比（SNR）、峰值信噪比（PSNR）兩個指標評價不同方法的去噪效果。SNR、PSNR的表達式為

式中：MAX（·）表示數據最大值；s為不含噪聲的原始數據；d（?）為去噪的數據；MSE為原始數據與處理數據的均方誤差。

2.2模型數據測試

本文通過Matlab平臺采用Ricker子波模擬四個反射界面的CMP道集，共合成500個道集，其中每個道集200道，時間采樣間隔為4 ms，并將其中400個道集作為訓練集，其余100個道集作為測試集。將本文算法與f–x域反褶積法、U-Net方法、DnCNN方法進行去噪效果對比，以檢驗ADFNet壓制隨機噪聲的效果。圖7a為任選一個測試集地震數據樣本，圖7b為加入強度為15 dB的高斯隨機噪聲的數據。

圖8為不同方法對圖7b數據的噪聲壓制結果以及其對應的殘差剖面。f–x域反褶積法（圖8a）和U-Net方法（圖8b）在壓制隨機噪聲的同時，都衰減了同相軸的能量，且其殘差（圖8a下、圖8b下）含有部分有效信號；DnCNN方法（圖8c）的去噪效果較好，但不如本文方法（圖8d）突出，其殘差（圖8c下）含有微弱有效信號。綜上所述，與其他方法相比，本文方法的地震數據細節（圖8d）更加細膩，同相軸紋理更清晰，殘差剖面（圖8d下）中基本不包含有效信號，且更接近隨機噪聲。上述方法去噪后的PSNR和SNR對比如表1所示，本文方法的各指標都明顯高于其他方法。另外，對于分別添加噪聲強度為15、25、35、45、55 dB的CMP道集，上述幾種算法壓制結果的信噪比統計如表2所示。可以看出無論噪聲大小，本文方法的信噪比最高。

2.3實際地震資料

2.3.1預處理后的實際地震資料

為了更好地測試本文方法在實際應用中的效果，選擇來自SEG官網公開的真實地震數據。該數據包含120道，每道240個采樣點，采樣間隔為4 ms。將其中800個切片數據利用64×64的滑動窗截取，得到5625個數據塊作為訓練集，其剩余的200個切片數據作為測試集。

圖9a為原始道集，圖9b為加入強度為15 dB的高斯隨機噪聲數據。可見加噪后信噪比低，弱能量同相軸難以分辨。分別采用f–x域反褶積法、U-Net方法、DnCNN方法和本文方法進行去噪處理，噪聲壓制結果與其對應的殘差剖面如圖10。f–x域反褶積法結果（圖10a）中包含明顯偽影，噪聲去除不充分，且從殘差剖面（圖10a下）上看出丟失大量有效信息；U-Net方法（圖10b）雖有效壓制噪聲，但殘差剖面（圖10b下）同樣顯示對有效信息的一定損耗；DnCNN方法（圖10c）較U-Net方法去噪效果更好，但同樣對有效信號造成了一定損耗，在殘差剖面（圖10c下）上仍可看到部分有效信號；本文方法（圖10d）相比于DnCNN方法壓制噪聲更徹底，保留了更多有效信號，去噪結果更接近于原始信號，殘差剖面（圖10d下）基本不包含有效信號。且由表3可見，本文方法的PSNR、SNR均優于其他方法。為檢測網絡對不同強度噪聲的壓制性能，對圖9a添加強度為15、25、35、45、55 dB的噪聲后再處理，上述幾種算法壓制結果的信噪比統計如表4所示。可見無論噪聲大小，本文方法的信噪比最高。

2.3.2實際地震資料處理

圖11是來自于冀東油田的實際地震資料中截取的一部分數據。該道集共128道，每道128個采樣點，采樣間隔為4 ms。數據受到隨機噪聲的干擾，原始道集同相軸不連續、不清晰。

圖12為上述不同方法對圖11數據的噪聲壓制結果與其對應的殘差剖面。從圖12a可見，f-x域反褶積法去噪結果依然保留較多噪聲，噪聲壓制不明顯，殘差剖面（圖12a下）含有較多有效信號；U-Net（圖12b下）對噪聲有較好壓制（圖12b），但同相軸的連續性依然較差，殘差剖面（圖12b下）中含有較多有效信號；圖12c為DnCNN方法去噪結果及殘差剖面，隨機噪聲得到有效去除，但有效信號卻破壞嚴重，殘差剖面（圖12c下）中有明顯的有效信號痕跡；圖12d是本文方法去噪結果及殘差剖面，噪聲壓制比較徹底、同相軸更連續、紋理細節更清晰，紅色框內的弱有效信號得到較好保留，殘差剖面（圖12d下）中有效信號不明顯。綜上所述，本文方法在地震資料隨機噪聲壓制和保留信號細節具有一定優勢。

3結束語

本文提出了一種基于自適應動態濾波網絡的地震數據隨機噪聲壓制方法。該網絡添加跳躍連接使網絡學習到更全面的信息，從而提升網絡性能有效壓制地震數據隨機噪聲。在此基礎上引入通道自注意力機制，提出了一個空間增強內核增強模塊，在保持網絡低計算成本的同時實現了對動態卷積生成的改進。利用所提出的模塊進一步提出了動態卷積塊和多尺度動態卷積塊，改進了對地震數據高頻特征的表示，實現了對地震數據多尺度特征的集成表示，使網絡學習到更全面、可靠的多尺度信息。合成和實際地震數據去噪處理均取得較好效果，驗證了本文提出的自適應動態濾波網絡可以有效壓制地震資料隨機噪聲，并能夠較好重構地震數據中的弱有效信息。

參考文獻

［1］鐘鐵，李月，楊寶俊，等.陸地地震勘探隨機噪聲統計特性[J].地球物理學報，2017，60（2）：655?664.

ZHONG Tie，LI Yue，YANG Baojun，et al.Statisti?cal features of the random noise in land seismic pros?pecting[J].Chinese Journal of Geophysics，2017，60（2）：655?664.

［2］SPITZ S.Seismic trace interpolation in the F?X do?main[J].Geophysics，1991，56（6）：785?794.

［3］SUN W，LI Z，QU Y.The 3D conical Radon trans?form for seismic signal processing[J].Geophysics，2022，87（5）：V481?V504.

［4］MOSTAFA MOUSAVI S，LANGSTON C A，HORTON S P.Automatic microseismic denoisingand onset detection using the synchrosqueezed continu?ous wavelet transform[J].Geophysics，2016，81（4）：V341?V355.

［5］BARUAH H G，NATH V K，HAZARIKA D.Imagedenoising based on nonsubsampled shearlet transform domain Laplacian mixture model and bilateral filter and its method noise thresholding[C].TENCON 2019?2019 IEEE Region 10 Conference（TENCON），2019，463?469.

［6］GóRSZCZYK A，ADAMCZYK A，MALINOWSKI M.Application of curvelet denoising to 2D and 3D seismic data?practical considerations[J].Journal of Ap?plied Geophysics，2014，105：78?94.

［7］唐歡歡，毛偉建.基于多路徑Radon變換的地震數據噪聲壓制和波型分離方法研究[J].地球物理學報，2022，65（1）：333?348.

TANG Huanhuan，MAO Weijian.Multi?path Radon transform and its application in denoising and wave field separation[J].Chinese Journal of Geophysics，2022，65（1）：333?348.

［8］樂友喜，楊濤，曾賢德.CEEMD與KSVD字典訓練相結合的去噪方法[J].石油地球物理勘探，2019，54（4）：729?736，721.

YUE Youxi，YANG Tao，ZENG Xiande.Seismic denoising with CEEMD and KSVD dictionary com?bined training[J].Oil Geophysical Prospecting，2019，54（4）：729?736，721.

［9］ZHU W，MOUSAVI S M，BEROZA G C.Seismicsignal denoising and decomposition using deep neural networks[J].IEEE Transactions on Geoscience and Remote Sensing，2019，57（11）：9476?9488.

［10］ZHANG K，ZUO W M，CHEN Y J，et al.Beyond aGaussian denoiser：residual learning of deep CNN for image denoising[J].IEEE Transactions on Image Pro?cessing：a Publication of the IEEE Signal Processing Society，2017，26（7）：3142?3155.

［11］ZOU X，XIAO F，YU Z，et al.Delving deeper intoanti?aliasing in ConvNets[J].International Journal of Computer Vision，2023，131（1）：67?81.

［12］ZHANG Y，LI K，LI K，et al.Accurate and fast imagedenoising via attention guided scaling[J].IEEE Trans?actions on Image Processing，2021，30：6255?6265.

［13］LI D，HU J，WANG C，et al.Involution：Invertingthe inherence of convolution for visual recognition[C].2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR），2021，12316?12325.

［14］ZAMIR S W，ARORA A，KHAN S，et al.Multi?stage progressive image restoration[C].2021 IEEE/CVF Conference on Computer Vision and Pattern Re?cognition（CVPR），2021，14816?14826.

［15］JIANG K，WANG Z，YI P，et al.Multi?Scale pro?gressive fusion network for single image deraining[C].2020 IEEE/CVF Conference on Computer Vi?sion and Pattern Recognition（CVPR），2020，8343?8352.

［16］SHEN H，ZHAO Z，ZHANG W.Adaptive dynamicfiltering network for image denoising[C].Proceedings of the Thirty?Seventh AAAI Conference on Artificial Intelligence and Thirty?Fifth Conference on Innovative Applications of Artificial Intelligence and Thirteenth Symposium on Educational Advances in Artificial In?telligence，2023，2227?2235.

［17］CHANG M，LI Q，FENG H J，et al.Spatial?adap?tive network for single image denoising[C].Computer Vision?ECCV 2020，2020，171?187.

［18］李學貴，周英杰，董宏麗，等.基于雙注意力U?Net網絡的提高地震分辨率方法[J].石油地球物理勘探，2023，58（3）：507?517.

LI Xuegui，ZHOU Yingjie，DONG Hongli，et al.Seismic resolution improvement method based on dual?attention U?net network[J].Oil Geophysical Prospec?ting，2023，58（3）：507?517.

［19］DAI T，CAI J R，ZHANG Y B，et al.Second?orderattention network for single image super?resolution[C].2019 IEEE/CVF Conference on Computer Vi?sion and Pattern Recognition（CVPR），2019，11057?11066.

［20］GOU Y，HU P，LV J，et al.Multi?scale adaptive net?work for single image denoising[C].Proceedings of the 36th International Conference on Neural Informa?tion Processing Systems，2022，14099?14112.

［21］鐘鐵，陳云，董新桐，等.基于DBBCNN的沙漠區地震資料隨機噪聲衰減方法[J].石油地球物理勘探，2022，57（2）：268?278.

ZHONG Tie，CHEN Yun，DONG Xintong，et al.Research on random noise attenuation method for seis?mic data from deserts based on DBBCNN[J].Oil Geo?physical Prospecting，2022，57（2）：268?278.

［22］徐彥凱，劉曾梅，薛亞茹，等.應用雙通道卷積神經網絡的地震隨機噪聲壓制方法[J].石油地球物理勘探，2022，57（4）：747?756.

XU Yankai，LIU Zengmei，XUE Yaru，et al.Sup?pression of seismic random noise using dual?channel convolutional neural network[J].Oil Geophysical Pros?pecting，2022，57（4）：747?756.

（本文編輯：石雙虎）

作者簡介

徐彥凱副教授，碩士生導師，1974年生；1999、2002年分獲沈陽工業學院檢測技術及儀器專業學士、碩士學位；2013年獲中國石油大學（北京）機電學院控制理論與控制工程專業博士學位；現就職于中國石油大學（北京）人工智能學院，從事地震信號處理的教學與研究。