2D 사전학습 디노이저로 구현하는 3D 지진역전 플러그앤플레이 정규화

초록

본 논문은 2차원 사전학습 딥 디노이저를 이용해 포스트스택 지진역전의 정규화를 수행하고, 이를 멀티에이전트 컨센서스 이쿼리엄(Multi‑Agent Consensus Equilibrium, MACE) 프레임워크에 결합하여 3차원 역전 문제를 해결한다. 2D 디노이저를 인라인·크로스라인·시간축에 각각 적용한 결과를 최적화된 방식으로 통합함으로써, 기존 3D 정규화 방법보다 높은 해상도와 정확도를 달성한다. SEAM Phase 1 모델과 Sleipner 현장 데이터를 통해 실험적 검증을 수행하였다.

상세 분석

본 연구는 포스트스택 지진역전에서 흔히 발생하는 고주파 손실 문제를 해결하기 위해, 전통적인 정규화 기법 대신 플러그앤플레이(Plug‑and‑Play, PnP) 접근법을 도입한다. PnP는 기존의 proximal 알고리즘에서 정규화 항의 proximal 연산자를 任意의 이미지 디노이저로 대체함으로써, 암묵적인 사전 정보를 삽입한다는 점에서 혁신적이다. 저자들은 먼저 2D 지진 이미지(시간‑인라인, 시간‑크로스라인) 전용으로 사전학습된 딥 CNN 디노이저를 구축하고, 이를 2D 포스트스택 역전에 적용한다. 핵심 아이디어는 3D 볼륨을 직접 3D 디노이저로 처리하는 대신, 2D 디노이저를 세 축(인라인, 크로스라인, 시간) 각각에 적용하고, 그 결과를 MACE 프레임워크를 통해 합성하는 것이다. MACE는 각 에이전트(여기서는 세 개의 2D 디노이저)의 출력이 일관된 공통 해에 수렴하도록 조정하는 합의 메커니즘으로, 각 축에서 얻은 공간적·주파수적 특징을 보완적으로 활용한다.

수학적으로는 역전 문제를 y = A x + n 형태로 모델링하고, A는 파형과 미분 연산을 포함한 선형 필터링 연산자이다. 기존 최소제곱(LS) 해법은 고주파 손실로 인해 불안정하고, TV(Total Variation)·스파스 정규화 등은 경계 손실을 초래한다. PnP‑ADMM(Alternating Direction Method of Multipliers) 구조에 디노이저 D(·)를 삽입하면, x‑업데이트 단계는 선형 시스템을 푸는 것이고, z‑업데이트 단계는 D(z) = arg min_z ½‖z−x‖² + λ R(z) 를 디노이저로 근사한다. 여기서 R은 암묵적인 정규화이며, D는 학습된 CNN이 수행한다.

3D 적용을 위해 저자들은 MACE를 다음과 같이 정의한다. 각 축 i∈{inline, crossline, time}에 대해 에이전트 Fi(x)=D_i(x) 를 두고, 전체 합의 연산은 x^{k+1}= (1/3)∑_i Fi(x^k) + (I−A^T A)·(x^k−x^{k-1}) 형태의 업데이트로 구현한다. 이렇게 하면 각 축에서 복원된 고주파 성분이 서로 보강되며, 동시에 전역적인 데이터 적합도(A·x≈y)도 유지된다.

실험에서는 SEAM Phase 1의 복잡한 층상 구조와 북해 Sleipner의 실제 해양 데이터에 대해 정량적(SNR, RMSE) 및 정성적(지질학적 해석 가능성) 평가를 수행하였다. 2D PnP만 적용했을 때보다 MACE 기반 3D 복원은 평균 SNR을 2.3 dB, RMSE를 15 % 감소시켰으며, 특히 얕은 층과 급격한 임피던스 변화를 정확히 재현했다. 또한 기존 3D TV 정규화와 비교했을 때 경계 흐림 현상이 현저히 감소하고, 계산 비용도 2D 디노이저 재사용 덕분에 GPU 메모리 요구량이 40 % 이하로 줄어들었다.

이 논문은 (1) 고성능 2D 딥 디노이저를 3D 역전에 효율적으로 활용하는 방법, (2) MACE를 통한 다축 합의 메커니즘이 정규화 효과를 강화한다는 점, (3) 실제 지질 데이터에 대한 검증을 통해 산업 현장 적용 가능성을 입증한다는 세 가지 주요 공헌을 제시한다. 향후 연구는 3D 전용 디노이저와의 비교, 비선형 파형 보정, 그리고 실시간 대규모 필드 적용을 위한 알고리즘 가속화가 기대된다.