Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: Интеллектуальный анализ данных в нефтегазовой отрасли 2026; Нижний Новгород; Нижний Новгород
Год издания: 2026
Ключевые слова: diffusion models, style transfer, synthetic seismic data, seismic data interpretation, диффузионные модели, перенос стиля, синтетические сейсмические данные, интерпретация сейсмических данных
Аннотация: Качество интерпретации сейсмических данных нейросетевыми моделями ограничено объёмом и согласованностью разметки реальных данных. Альтернативой служит синтетическое моделирование с однозначной разметкой, однако между синтетическими и реальными сейсмическими профилями существует значимый доменный сдвиг. В работе предложен метод SeisПоказать полностьюFusion - двунаправленная условная латентная диффузионная модель для контролируемой генерации реалистичных сейсмических данных. Раздельное кодирование контента (поле коэффициентов отражения) и стиля (сейсмический профиль) выполняется U-Net-подобным энкодером с двумя независимыми ветвями. Обучение проводится исключительно на синтетических данных. На стадии вывода веса влияния контента и стиля регулируются независимо, что позволяет настраивать генерируемую выборку под конкретную задачу. Эксперименты показывают, что обученная только на синтетике модель устойчиво переносит стиль реальных сейсмических данных, сохраняя структурный каркас. Полученная стилизованная синтетика предназначена для обучения сегментационных моделей в задачах интерпретации - выделения разломов, палеорусел и других геологических объектов. The quality of seismic data interpretation by neural network models is limited by the volume and consistency of labels available for real data. An alternative is synthetic modeling, which provides unambiguous labels; however, a significant domain gap exists between synthetic and real seismic profiles. This work proposes SeisFusion - a dual conditional latent diffusion model for the controllable generation of realistic seismic data. Separate encoding of content (the reflectivity field) and style (the seismic profile) is performed by a U-Net-based encoder with two independent branches. Training is carried out exclusively on synthetic data. At the inference stage, the weights controlling the influence of content and style can be adjusted independently, which allows the generated dataset to be tailored to a specific task. Experiments show that the model, trained solely on synthetic data, robustly transfers the style of real seismic data while preserving the structural framework. The resulting stylized synthetic data is intended for training segmentation models in interpretation tasks - including the detection of faults, paleochannels, and other geological objects.
Журнал: Интеллектуальный анализ данных в нефтегазовой отрасли 2026
Номера страниц: 71-75
Место издания: Москва