자연영상 기반 CNN‑POCS, 지진 데이터 보간의 새로운 패러다임

본 논문은 지진 데이터 보간에서 흔히 마주치는 “라벨이 없는 대규모 학습 데이터 부족” 문제를 혁신적으로 해결하고자 한다. 기존 딥러닝 기반 보간 방법들은 훈련 단계에서 실제 지진 데이터와 동일한 누락 패턴을 학습해야 하며, 이는 라벨링 비용과 데이터 다양성 확보에 큰 제약을 만든다. 저자들은 이러한 제약을 회피하기 위해, 자연 이미지의 깨끗‑노이즈 쌍을 이용해 CNN 기반 잡음 제거기를 사전 학습(pre‑train)하고, 이를 POCS(Projection Onto Convex Sets) 알고리즘에 삽입하는 두 단계 접근법을 제안한다. 1. **CNN denoiser 학습** - 데이터셋: 100장의 자연 이미지(다양한 풍경·구조)에서 가우시안 노이즈(σ = 5~50)를 추가해 깨끗‑노이즈 쌍을 생성. - 네트워크 구조: 3‑layer dilated convolution 네트워크. 각 레이어는 3×3 필터와 다양한 dilation rate를 사용해 수용 영역(Receptive Field)을 확대하고, Batch Normalization과 ReLU 활성화 함수를 적용해 학습 안정성을 확보. - 손실 함수: L2(Mean Squared Error) 기반으로, 다양한 σ에 대해 별도 모델을 학습하거나 하나의 모델에 σ를 입력 파라미터로 제공하는 방식도 가능. 2. **POCS 프레임워크에 통합** - 기본 POCS 식: u(t) = Dσt(d(t)) (denoising step), d(t+1) = d_obs + (I − PΛ) u(t) (data consistency step). 여기서 PΛ는 관측 마스크, I는 단위 행렬. - Dσt는 사전 학습된 CNN denoiser이며, σt는 현재 반복 단계의 가정 노이즈 레벨을 의미한다. - σt는 초기값 σmax에서 σmin까지 지수적으로 감소시키는 스케줄(σt = σmin + (σmax − σmin)·(1 − t/T))을 사용해, 초기에는 강한 잡음 억제로 빠른 수렴을, 후반부에는 미세한 구조 보존을 목표로 한다. 3. **실험 설계 및 결과** - **합성 데이터**: 레이어드 모델에 20 m 간격으로 50% 트레이스를 정규적으로 제거하고, f‑x 예측 필터링, Curvelet‑POCS, BM3D‑POCS와 비교. CNN‑POCS는 S/N = 31.72 dB를 기록, f‑x는 26.38 dB에 그쳤다. f‑k 스펙트럼에서도 저주파 왜곡이 최소화됨을 확인. - **현장 데이터**: 북해 해양 데이터(정규·비정규 샘플링)에서 다양한 디시메이션 비율(a = 5~2) 및 샘플링 비율(0.1~0.7) 하에 테스트. 표 1·2에 따르면, 정규 샘플링에서는 CNN‑POCS가 평균 1.5 dB 이상 높은 S/N을 달성했고, 비정규 샘플링에서도 가장 높은 S/N(40.60 dB)을 기록했다. 특히 약한 반사층과 얕은 이벤트 복원에서 눈에 띄는 개선이 관찰되었다. - **시각적 평가**: 잔차 이미지와 f‑k 스펙트럼을 통해 CNN‑POCS가 고주파 세부와 저주파 대역 모두에서 균형 잡힌 복원을 수행함을 확인했다. 다만, 일부 저주파 영역에서 작은 아티팩트가 나타났으며 이는 σt 스케줄링 파라미터 조정으로 완화 가능함을 언급. 4. **장점 및 한계** - **장점**: (1) 라벨이 없는 자연 이미지만으로 학습 가능 → 데이터 수집 비용 절감, (2) 보간 대상의 샘플링 패턴이 학습에 포함되지 않으므로 다양한 누락 시나리오에 플러그‑앤‑플레이 방식 적용, (3) CNN의 비선형 표현력으로 전통적인 스파스 변환보다 복잡한 잡음·구조 억제에 유리. - **한계**: (①) 이미지 기반 denoiser가 지진 데이터의 고유 주파수·공간 특성을 완전히 반영하지 못할 가능성, (②) σt 스케줄링 파라미터를 경험적으로 설정해야 함, (③) 현재 2‑D 슬라이스 처리에 국한돼 3‑D 대규모 데이터에 적용 시 메모리·연산 효율성 개선 필요. 5. **향후 연구 방향** - 지진 데이터 특화 전처리(스펙트럼 정규화·위상 보정)를 결합한 하이브리드 denoiser 개발, - 다중 스케일·다중 채널 3‑D CNN 설계로 전체 볼륨을 한 번에 보간, - 자동 σt 추정 및 적응형 스케줄링을 통한 수렴 속도와 복원 품질 동시 최적화, - 다른 비지도 정규화 기법(예: GAN 기반 생성자)과의 결합을 통한 고해상도 보간 연구. 결론적으로, 자연 이미지 기반 CNN‑POCS는 라벨 부족이라는 근본적인 제약을 뛰어넘어, 기존 f‑x, Curvelet, BM3D 기반 POCS 방법들을 능가하는 성능을 보이며, 지진 데이터 보간 분야에 새로운 연구 패러다임을 제시한다.