멀리서 가까이까지 자기지도 확산 모델을 이용한 토우드 스트리머 근거리 오프셋 복원

초록

해양 토우드 스트리머 획득에서 소스와 첫 수신기 사이의 물리적 간격으로 인해 발생하는 근거리 오프셋 공백을, 완전한 근거리 데이터 없이도 자체 지도(self‑supervised) 확산 모델을 통해 단계적으로 복원한다. 멀리 떨어진 오프셋 데이터에서 겹치는 패치를 추출해 조건부 확산 모델을 학습하고, 가장 가까운 기록된 트레이스부터 순차적으로 추정함으로써 물리적 일관성을 유지한다. 또한 다중 샘플링을 통해 불확실성 지도를 제공한다.

상세 분석

본 논문은 토우드 스트리머 방식에서 발생하는 근거리 오프셋 결손 문제를 근본적으로 해결하고자, 기존의 변환 영역 보간이나 감독 학습 기반 딥러닝이 갖는 한계를 정확히 진단한다. 변환 영역 보간은 고주파 성분 손실과 진폭 왜곡을 초래하고, 감독 학습은 실무에서 거의 존재하지 않는 완전한 근거리 레코드가 필요하다는 근본적인 제약을 가진다. 이러한 문제를 인식한 저자들은 ‘조건부 확산 모델(Conditional Diffusion Model)’을 자기지도(self‑supervised) 방식으로 활용한다는 새로운 패러다임을 제시한다.

학습 단계에서는 기록된 멀리 오프셋 구간을 이용해 겹치는 패치를 두 개 추출한다. 하나는 목표 패치(x₀)로, 다른 하나는 조건 패치(y)로서 한 트레이스만 이동시킨 형태다. 이때 x₀는 y보다 한 트레이스 더 근접한 오프셋을 포함한다. 이러한 설계는 모델이 “오프셋이 감소함에 따라 지진 이벤트의 곡률, 진폭, 파형이 어떻게 변하는가”라는 물리적 통계적 관계를 학습하도록 강제한다. 모델은 U‑Net 기반의 2‑D 컨볼루션 네트워크에 시간 단계 t와 노이즈 ϵ를 입력해 x₀를 직접 예측하도록 훈련되며, 손실 함수는 단순 MSE이다.

추론 단계에서는 가장 가까운 기록 트레이스(r_start)를 초기값으로 삼아, DDIM(Deterministic Denoising Diffusion Implicit Models) 샘플링을 이용해 한 트레이스씩 순차적으로 복원한다. 즉, 현재 복원된 트레이스를 조건으로 사용해 다음 근거리 트레이스를 생성하고, 이를 반복함으로써 ‘멀리 → 가까이’ 방향의 사전(prior)이 전파된다. 이 과정은 완전한 지도 데이터가 없더라도 물리적 연속성을 보장한다는 점에서 혁신적이다.

또한 확산 모델의 확률적 특성을 활용해 동일한 입력에 대해 다중 샘플을 생성하고, 샘플 간 변동성을 불확실성 지도로 시각화한다. 이는 현장 데이터에서 검증이 불가능한 영역에 대해 신뢰도를 제공하며, 후속 처리(예: SRME, 전이속도 분석) 단계에서 가중치를 조정하는 데 활용될 수 있다.

실험 결과는 합성 데이터와 실제 현장 데이터 두 축에서 검증된다. 합성 실험에서는 기존의 파라볼릭 라돈 변환(PAR) 대비 SNR 및 구조적 유사도(SSIM)에서 평균 35 dB, 0.120.18 정도의 향상을 보였으며, 특히 진폭‑오프셋(A‑V‑O) 곡선이 원본과 거의 일치한다. 현장 데이터에서는 근거리 공백을 메운 후 SRME와 전이속도 분석을 재수행했을 때, 다중 반사체 검출률이 8% 상승하고, FWI 결과의 잔차가 15% 감소하는 등 실용적 효과가 입증되었다.

전반적으로 이 연구는 (1) 완전한 근거리 레코드가 전혀 없는 상황에서도 학습이 가능하도록 하는 자기지도 확산 프레임워크, (2) 오프셋 의존적인 통계적 패턴을 효과적으로 학습하는 패치‑시프트 설계, (3) 단계적 재귀 추론을 통한 물리적 일관성 유지, (4) 불확실성 정량화를 통한 실무 적용 가능성 제시라는 네 가지 핵심 기여를 제공한다.