网页作业怎么做一个网站搜索引擎营销的实现方法有

题目

Improving Seismic Data Resolution with Deep Generative Networks
使用深度生成网络提高地震数据分辨率

摘要

叠前数据的使用，通常可以来解决噪声迹线、覆盖间隙或不规则/不适当的迹线间距等问题。但叠前数据并不总是可用的。作为替代方案，叠后插值可增加地震剖面的空间密度来帮助地质解释，也可以通过插值邻道来重建整个剖面以降低现场成本。本文评估了cGAN（条件式生成对抗网络）作为插值工具的性能，用于提高叠后地震数据的分辨率提升。结果表明，cGAN的性能优于传统算法高达72%，并且纹理描述符可以更好地捕获图像相似性，从而产生与视觉感知更一致的结果。

引言

实现高分辨率需要在时间和距离上对波场进行精细采样，精细的时间采样可以支持解析薄层所需的高频。其是由空间混叠考虑驱动的，通常大于重建结构或地层学的真实空间波长所需的采样。由于过度记录的解决方案会产生相关成本，因此另一种方法是对迹线进行插值以满足正常的无混叠空间采样要求。这种处理技术允许执行后续处理步骤，就像在现场完成过度采样一样。
本文研究了cGAN在水平和垂直方向上提高地震数据分辨率的适用性。选择了荷兰F3公共地震数据集，使用不同的配置对其进行抽取，然后将GAN和三次插值生成的重建轨迹/样本与原始数据进行比较。我们还评估了三种不同的图像相似性度量及其与插值结果定性分析的相关性。

方法

在所提出的cGAN方法中，生成器$G$接收低分辨率图像$x$并合成高分辨率图像$D(x)$，而鉴别器$D$接收一对图像并判断它是否真实（由$x$和原始图像组成）或假（由$x$和$G(x)$组成）。损失函数描述如下：
$${\mathcal{L}}_{c\text{GAN}}=E_{x,y\sim p_{data}(x,y)}[\log D(x,y)]+E_{x\sim p(x),z\sim p(z)}[\log (1-D(x,G(x,z)))]$$
生成器使用最后训练的鉴别器计算的损失，鉴别器使用最后训练的生成器合成的图像。

生成器的设计遵循U-Net网络架构，由一系列编码、解码器结构组成。

鉴别器具有两个相同大小的输入端口，由一系列编码器块组成。
具体编码块、解码快的设计如下图所示：

实验

本文使用了九种不同的配置来训练网络：h1,h2,h3（水平二次采样）、v1,v2,v3（垂直二次采样）、hv1,hv2,hv3（两种二次采样）。