텍스처 손실을 활용한 U넷 기반 지진 데이터 보간

초록

본 논문은 지진 데이터에서 흔히 발생하는 트레이스 손실 문제를 해결하기 위해, 텍스처 정보를 보존하는 새로운 U‑Net 구조인 SUIT(Seismic U‑net InterpolaTor)를 제안한다. 기존 DNN 기반 보간 방법이 재구성 오류 최소화에만 집중하는 반면, SUIT은 사전 학습된 U‑Net을 텍스처 추출기에 활용해 복원된 데이터와 원본 데이터 사이의 텍스처 일관성을 강화한다. 실험 결과, 제안 방법은 최신 기존 방법들보다 복원 품질과 강인성에서 우수함을 보였다.

상세 분석

SUIT은 두 단계의 학습 전략을 채택한다. 첫 번째 단계에서는 일반적인 U‑Net 아키텍처를 사용해 대규모 지진 데이터셋으로 사전 학습을 수행한다. 이 사전 학습된 네트워크는 고주파 텍스처와 지진 파형의 미세 구조를 효과적으로 인코딩하는 특성을 갖는다. 두 번째 단계에서는 동일한 U‑Net 구조를 복원 네트워크와 텍스처 손실 계산기에 동시에 연결한다. 복원 네트워크는 입력으로 손실된 트레이스가 마스크된 2‑D 지진 이미지(시간‑채널)를 받아, L1 재구성 손실과 함께 텍스처 손실을 최소화한다. 텍스처 손실은 사전 학습된 U‑Net을 통해 추출된 중간 특징 맵을 이용해, 복원 결과와 원본 데이터의 특징 맵 간 L2 거리를 계산함으로써 정의된다. 이 접근법은 단순 픽셀‑레벨 차이뿐 아니라 고주파 세부 구조까지 보존하도록 네트워크를 유도한다.

네트워크 설계 측면에서, SUIT은 전통적인 U‑Net의 인코더‑디코더 스킴에 스킵 연결을 유지하면서, 텍스처 손실을 위한 별도 “프리트레인드 텍스처 모듈”을 삽입한다. 이 모듈은 파라미터가 고정된 상태로 사용되어, 학습 과정에서 복원 네트워크가 텍스처 모듈의 출력과 일치하도록 강제한다. 또한, 마스크 기반 손실 가중치를 도입해 손실된 영역에 더 큰 페널티를 부여함으로써, 희소한 트레이스 복원 시 과적합을 방지한다.

실험에서는 랜덤 마스크와 정규화된 정방형 마스크 두 종류의 손실 패턴을 적용했으며, SNR, PSNR, SSIM 및 텍스처 유사도 지표인 LPIPS를 종합적으로 평가했다. SUIT은 특히 30 % 이상의 트레이스가 손실된 경우에도 기존 CNN‑기반 보간 방법보다 평균 2 dB 이상의 PSNR 향상을 보였으며, 텍스처 유사도에서도 현저히 낮은 값(우수)을 기록했다. 또한, 잡음이 섞인 데이터에 대해서도 복원 품질이 크게 저하되지 않아 강인성이 입증되었다.

이 논문의 주요 기여는 (1) 텍스처 손실을 명시적으로 모델링한 새로운 손실 함수 설계, (2) 사전 학습된 U‑Net을 텍스처 추출기로 재활용함으로써 파라미터 효율성을 확보, (3) 다양한 손실 패턴과 잡음 환경에서도 일관된 성능을 보여주는 종합적인 실험 검증이다. 향후 연구에서는 3‑D 지진 데이터와 비정형 배열에 대한 확장, 그리고 물리 기반 모델과의 하이브리드 접근법이 기대된다.