딥 시퀀스 프라이어 기반 지진 데이터 복원 U넷 무지도 학습

초록

본 논문은 훈련 데이터 없이 U‑Net 구조의 내재적 특성을 활용해 하나의 불완전한 지진 데이터만으로도 고품질 복원을 수행하는 방법(DSPRecon)을 제안한다. 불규칙·규칙적 누락(trace loss) 모두에 적용 가능하며, 기존 SSA·Cadzow 방법보다 높은 SNR을 달성한다.

상세 분석

본 연구는 최근 딥러닝 기반 이미지 복원에서 “Deep Image Prior”(DIP) 개념을 차용하여, 지진 데이터 복원 문제에 적용한다는 점에서 혁신적이다. DIP는 네트워크가 초기화된 뒤 학습 과정 자체가 입력 데이터의 통계적 구조를 모델링한다는 가정에 기반한다. 저자는 이 아이디어를 U‑Net 아키텍처에 적용했으며, U‑Net은 인코더‑디코더 구조와 스킵 연결을 통해 다중 스케일 특징을 효율적으로 포착한다. 중요한 점은 네트워크 파라미터를 최적화할 때 손실 함수로는 관측된(undersampled) 데이터와 네트워크 출력 사이의 L2 차이를 최소화한다는 것이다. 따라서 별도의 라벨(완전 데이터)이나 대규모 학습셋이 필요 없으며, 단일 관측 데이터만으로 “deep seismic prior”를 추출한다.

알고리즘 흐름은 다음과 같다. 1) 불완전한 지진 데이터 M을 마스크와 함께 입력한다. 2) 무작위 잡음 z를 초기 입력으로 사용해 U‑Net을 초기화한다. 3) 네트워크 출력 Ŷ와 관측 데이터 M·Ŷ 사이의 차이를 최소화하도록 파라미터 θ를 반복 업데이트한다. 4) 최적화가 진행되는 동안 네트워크는 점차 고주파 잡음보다 저주파 구조를 우선 학습하게 되며, 이는 기존 저차원 근사(예: SVD 기반)와 유사한 저랭크 특성을 자연스럽게 구현한다. 최적화 종료 시점은 검증용 손실이 최소가 되는 시점 혹은 사전 정의된 에포크 수에 의해 결정된다.

핵심 기술적 기여는 두 가지이다. 첫째, 지진 데이터의 “랭크”를 명시적으로 지정하지 않고도 네트워크 자체가 데이터의 내재적 저랭크 구조를 학습한다는 점이다. 이는 현장 데이터에서 정확한 랭크를 추정하기 어려운 기존 방법과 대비된다. 둘째, 정규 격자(regular)와 비정규 격자(irregular) 두 형태의 누락(trace) 모두에 동일한 프레임워크를 적용할 수 있다. 비정규 경우에는 마스크 M이 임의의 위치에 0을 할당하고, 정규 경우에는 주기적 누락에 대해 동일한 손실 함수를 적용한다.

실험에서는 합성 데이터와 실제 현장 데이터를 사용해 성능을 검증하였다. 합성 데이터에서는 SSA(단일 스펙트럼 분석)와 Cadzow(탈에일리어싱) 방법을 각각 비정규·정규 상황에 대비해 비교하였다. 결과는 DSPRecon이 SSA 대비 SNR 32.68 dB vs 19.11 dB, Cadzow 대비 35.91 dB vs 15.32 dB를 기록하며, 시각적으로도 잡음 억제와 구조 보존 측면에서 우수함을 보였다. 특히, 네트워크가 과적합되는 시점을 자동으로 탐지하는 “early stopping” 전략이 잡음 재생산을 방지하는 핵심 요인으로 작용했다.

한계점으로는 최적화 과정이 비교적 연산 집약적이며, 초기 잡음 z와 학습률 등에 민감할 수 있다는 점이다. 또한, 매우 높은 누락 비율(>70 %)에서는 복원 품질이 급격히 저하되는 경향을 보였다. 향후 연구에서는 멀티‑스케일 손실, 정규화 기법, 혹은 사전 학습된 가중치를 활용한 하이브리드 접근법을 통해 수렴 속도와 안정성을 개선할 여지가 있다.

전반적으로 본 논문은 딥러닝 모델을 “학습”이 아니라 “표현” 도구로 활용함으로써, 데이터 부족 문제와 랭크 추정 불확실성을 동시에 해소하는 새로운 패러다임을 제시한다.