Migration deconvolution is an image domain approach to least-squares migration, which is considered the state-of-the-art algorithm for obtaining seismic reflectivity models of the earth from seismic acquisition results. Seismic imaging is an active research field with the development over the last few years of several techniques that have mitigated imaging issues. Ongoing research aims to improve image resolution and thus provide a more reliable seismic amplitude for the interpreter. Migration deconvolution can be framed as an inverse problem in the image domain to mitigate image resolution problems and reduce migration artifacts. This paper presents a migration deconvolution method via deep learning based on the Hessian filter least-squares migration (HF-LSM) algorithm. The idea is to use deep learning techniques to model the inverse operator instead of directly estimating the inverse Hessian matrix. A data set is generated from a given velocity model by applying Born modeling to the migrated image, followed by application of the reverse time migration algorithm. The resultant data set is then used to train several neural network models. The networks learn the blurring operator that describes the image degradation due to the effects of acquisition geometry. Three different network topologies were developed to handle this problem: a simple fully convolutional neural network, a U-Net and a generative adversarial network. Our results show that the proposed approach provides images of higher resolution and superior quality than the traditional HF-LSM workflow.

偏移反褶积是最小平方偏移的一种图像域方法，被认为是从地震采集结果中获取地球地震反射率模型的最新算法。在过去的几年中，地震成像技术是一个活跃的研究领域，它缓解了成像问题。正在进行的研究旨在提高图像分辨率，从而为解释器提供更可靠的地震幅度。可以在图像域中将迁移反卷积构造为反问题，以缓解图像分辨率问题并减少迁移伪像。本文提出了一种基于Hessian滤波最小二乘迁移（HF-LSM）算法的深度学习迁移反卷积方法。想法是使用深度学习技术对逆算子建模，而不是直接估计逆黑森州矩阵。通过将Born建模应用于迁移的图像，然后应用反向时间迁移算法，可以从给定的速度模型生成数据集。然后将所得数据集用于训练几个神经网络模型。网络学习模糊算子，该算子描述了由于采集几何形状的影响而导致的图像退化。开发了三种不同的网络拓扑来处理此问题：简单的完全卷积神经网络，U-Net和生成对抗网络。我们的结果表明，与传统的HF-LSM工作流程相比，所提出的方法可提供更高的分辨率和更高的质量的图像。通过将Born建模应用于迁移的图像，然后应用反向时间迁移算法，可以从给定的速度模型生成数据集。然后将所得数据集用于训练几个神经网络模型。网络学习模糊算子，该算子描述了由于采集几何形状的影响而导致的图像退化。开发了三种不同的网络拓扑来处理此问题：简单的完全卷积神经网络，U-Net和生成对抗网络。我们的结果表明，与传统的HF-LSM工作流程相比，所提出的方法可提供更高的分辨率和更高的质量的图像。通过将Born建模应用于迁移的图像，然后应用反向时间迁移算法，可以从给定的速度模型生成数据集。然后将所得数据集用于训练几个神经网络模型。网络学习模糊算子，该算子描述了由于采集几何形状的影响而导致的图像退化。开发了三种不同的网络拓扑来处理此问题：简单的完全卷积神经网络，U-Net和生成对抗网络。我们的结果表明，与传统的HF-LSM工作流程相比，所提出的方法可提供更高的分辨率和更高的质量的图像。然后将所得数据集用于训练几个神经网络模型。网络学习模糊算子，该算子描述了由于采集几何形状的影响而导致的图像退化。开发了三种不同的网络拓扑来处理此问题：简单的完全卷积神经网络，U-Net和生成对抗网络。我们的结果表明，与传统的HF-LSM工作流程相比，所提出的方法可提供更高的分辨率和更高的质量的图像。然后将所得数据集用于训练几个神经网络模型。网络学习模糊算子，该算子描述了由于采集几何形状的影响而导致的图像退化。开发了三种不同的网络拓扑来处理此问题：简单的完全卷积神经网络，U-Net和生成对抗网络。我们的结果表明，与传统的HF-LSM工作流程相比，所提出的方法可提供更高的分辨率和更高的质量的图像。