자연 이미지 denoising 학습을 지진 데이터 보간에 활용하기

초록

본 논문은 자연 이미지의 깨끗‑노이즈 쌍으로 CNN denoiser를 사전 학습한 뒤, 이를 POCS(Convex Set Projection) 프레임워크에 결합해 지진 데이터의 트레이스 손실을 복구하는 방법을 제안한다. 지진 전용 라벨이 필요 없는 ‘플러그‑앤‑플레이’ 방식으로, 합성 및 현장 데이터 실험에서 기존 f‑x 예측 필터링·커브렛 기반 POCS 대비 SNR 향상, 에일리어싱 억제, 약한 특성 복원에서 우수한 성능을 보였다.

상세 분석

이 연구는 두 단계로 구성된 혁신적인 파이프라인을 제시한다. 첫 번째 단계에서는 자연 이미지 데이터베이스에서 얻은 깨끗한 이미지와 인위적으로 가한 가우시안·스펙트럼 노이즈 쌍을 이용해 다중 스케일 CNN denoiser를 학습한다. 여기서 핵심은 지진 데이터와 전혀 다른 도메인의 이미지라도, 이미지 복원에 필요한 저주파‑고주파 구조와 잡음 특성을 학습함으로써 ‘보편적인’ 노이즈 제거 능력을 획득한다는 점이다. 저자들은 일반적인 U‑Net 구조에 residual 연결을 추가하고, L2 손실과 perceptual loss를 혼합해 시각적 디테일을 보존하도록 설계하였다.

두 번째 단계에서는 학습된 denoiser들을 POCS 알고리즘에 삽입한다. POCS는 관측된 불완전 데이터와 사전 정의된 convex set(예: 스펙트럼 제한, 시간‑주파수 제약) 사이를 반복적으로 투사하면서 결측 트레이스를 채워 나간다. 여기서 denoiser는 각 반복에서 ‘노이즈 제거’ convex set을 구현한다. 즉, 현재 복원된 데이터에 CNN denoiser를 적용해 잡음 성분을 억제하고, 이후 전통적인 f‑x 예측 또는 커브렛 기반 제약을 적용한다. 이 과정은 ‘plug‑and‑play’ 형태로, denoiser 자체만 교체하면 다양한 손실 패턴(정규 간격 누락, 무작위 누락, 대규모 갭 등)에 대응할 수 있다.

실험에서는 2‑D 및 3‑D 합성 모델, 그리고 실제 현장 레코드에 대해 SNR, PSNR, 구조 유사도(SSIM) 등을 측정하였다. 결과는 기존 f‑x POCS와 커브렛 POCS 대비 평균 2‑3 dB 이상의 SNR 향상을 보였으며, 특히 고주파 성분이 약한 얇은 층이나 작은 반사체 복원에서 눈에 띄는 개선을 확인했다. 또한, 학습 단계에서 지진 데이터가 전혀 사용되지 않았음에도 불구하고, 자연 이미지에서 학습된 denoiser가 지진 데이터의 잡음 특성을 충분히 일반화한다는 점이 중요한 발견이다.

한계점으로는 매우 강한 고주파 잡음이나 비선형 왜곡이 존재할 경우 denoiser가 과도하게 평활화할 위험이 있으며, CNN 구조와 학습 파라미터 선택이 최종 복원 품질에 큰 영향을 미친다. 향후 연구에서는 도메인 적응(adversarial fine‑tuning)이나 물리 기반 제약을 denoiser에 직접 통합하는 방안을 모색할 수 있다. 전반적으로 이 논문은 ‘데이터 라벨 의존성을 최소화하면서도 고성능 보간을 구현’한다는 점에서 지진 데이터 처리 분야에 새로운 패러다임을 제시한다.