조건부 확산 모델을 이용한 지반 롤 억제 기법

초록

본 논문은 지반 롤(ground‑roll) 잡음 억제를 위해 조건부 확산 확률 모델(c‑DDPM)을 제안한다. 유한 차분 및 컨볼루션 기반 시뮬레이션으로 만든 합성 학습 데이터를 이용해 모델을 학습하고, 실제 지진 데이터에 조건으로 입력하면 잡음이 제거된 반사 신호를 복원한다. 또한, 깨끗한 데이터와 지반 롤을 동시에 생성하도록 모델을 확장하였다. 합성 및 현장 데이터 실험에서 기존의 지역 시간‑주파수(LTF) 변환 기반 방법과 U‑Net 기반 딥러닝 방법보다 우수한 성능을 보였다.

상세 분석

본 연구는 지반 롤이라는 저주파 고진폭 잡음이 반사 신호와 겹쳐 전통적인 변환 기반 필터링이 한계에 봉착하는 문제를 해결하고자 한다. 확산 확률 모델(Denoising Diffusion Probabilistic Model, DDPM)은 점진적인 노이즈 추가와 역과정을 통해 데이터를 생성하는 최신 생성 모델이며, 조건부 버전(c‑DDPM)은 외부 입력을 조건으로 삼아 원하는 특성을 가진 샘플을 생성한다. 논문에서는 지반 롤 억제를 위해 입력 지진 데이터(잡음 포함)를 조건으로, 깨끗한 반사 데이터(노이즈 제거)를 목표로 설정하였다. 학습 데이터는 유한 차분(FDM)과 컨볼루션 모델링을 통해 실제 현장 환경을 모사한 합성 파형을 생성했으며, 잡음과 반사 신호를 명확히 구분할 수 있는 라벨링을 제공한다. 모델은 𝑇 단계의 역확산 과정을 통해 점진적으로 잡음을 제거하면서 반사 파형을 복원한다. 초기 버전에서는 “청정 데이터 = f(조건)”, “지반 롤 = 원본 – 청정 데이터” 형태로 추정했으나, 잔여 반사 에너지가 남는 문제를 인식하고, 두 출력(청정 데이터와 지반 롤)을 동시에 생성하도록 네트워크 구조와 손실 함수를 재설계하였다. 이를 위해 다중 헤드 디코더와 공동 학습 손실(Joint Loss)을 도입해 두 출력 간 상호 보완성을 강화하였다. 실험에서는 합성 데이터와 실제 현장 데이터를 사용해 정량적 지표(SNR, MSE, CC)와 정성적 파형 비교를 수행했으며, 기존 LTF 기반 고역 필터와 U‑Net 기반 딥러닝 모델에 비해 잡음 억제율이 평균 3‑5 dB 향상되고, 반사 신호 왜곡이 현저히 감소하였다. 또한, 모델은 잡음 레벨과 파라미터 변화에 대해 비교적 강인한 일반화 능력을 보였으며, 추론 시간도 실시간 수준에 근접하였다. 그러나 고해상도 대규모 데이터에 대한 메모리 요구와 확산 단계 수에 따른 연산 비용이 여전히 과제로 남는다.