인컨텍스트 학습 기반 지진 데이터 처리: ContextSeisNet으로 횡방향 일관성 강화

초록

**
본 논문은 인컨텍스트 학습(ICL) 개념을 지진 데이터의 다중 제거(demultiple) 작업에 적용한 ContextSeisNet을 제안한다. 인접 CDP(gather)와 그 레이블을 지원 집합으로 제공함으로써 모델이 추론 시 공간적 연속성을 학습하고, 사용자 정의 예시를 통해 처리 방식을 제어한다. 합성 데이터와 현장 데이터 실험에서 기존 U‑Net 및 전통적 Radon 방법보다 높은 횡방향 일관성과 데이터 효율성을 보였다.

**

상세 분석

**
ContextSeisNet은 기존의 감독학습 기반 지진 처리 모델이 개별 CDP에 대해 독립적으로 예측함으로써 발생하는 횡방향(Lateral) 불일치를 근본적으로 해결한다. 이를 위해 인컨텍스트 학습(In‑Context Learning, ICL) 프레임워크를 도입했으며, 지원 집합 V 에 동일 선상의 인접 CDP와 그에 대응하는 레이블(전통적 Radon 등으로 만든 demultiple 결과)을 포함한다. 지원 집합은 “프롬프트‑라벨” 쌍으로 구성되며, 모델은 쿼리 X