Surface-related multiple elimination (SRME) has proven to be a robust surface multiple and primary estimation tool for decades. However, surface-related multiple leakage is still commonly observed in SRME-processed results due to imperfect multiple predictions. Usually, adaptive subtraction cannot fully correct for these effects without primary damage. Local primary-and-multiple orthogonalization (LPMO) has recently been proposed to partially mitigate surface multiple leakage, by multiplication of the estimated primaries with a weight function that scales down residual multiples while preserving primaries. The weight function is determined by shaping regularization followed by thresholding and median filtering. Although effective leakage extraction can be achieved, LPMO has a large computational cost due to many conjugate-gradient iterations within the shaping regularization-based inversion framework. Using information on the typical local coherency length of primaries and multiples, a spatially constrained scaled point-by-point division can be used to avoid the iterative inversion within the LPMO method. Based on this, we have adopted a fast LPMO (FLPMO) for surface-related multiple leakage estimation and extraction. Applications on two different field data sets demonstrate the very similar surface multiple leakage extraction performance for LPMO and FLPMO, while showing that the scaled point-by-point division in FLPMO is approximately 40 times faster on real data sets than the shaping regularization-based inversion in LPMO.

中文翻译：

---

用于表面相关多重泄漏估计和提取的快速局部一次和多次正交化

几十年来，与地表相关的多重消除 (SRME) 已被证明是一种强大的地表多重和主要估计工具。然而，由于不完善的多重预测，在 SRME 处理的结果中仍然普遍观察到与表面相关的多重泄漏。通常，自适应减法无法在没有主要损伤的情况下完全纠正这些影响。最近提出了局部一次和多次正交化 (LPMO) 以部分减轻表面多次泄漏，方法是将估计的一次与权重函数相乘，该权重函数在保留一次的同时按比例缩小剩余多次。权重函数是通过整形正则化然后阈值化和中值滤波来确定的。虽然可以实现有效的泄漏提取，由于基于整形正则化的反演框架内的许多共轭梯度迭代，LPMO 具有很大的计算成本。使用关于一次和多次波的典型局部相干长度的信息，可以使用空间约束缩放的逐点划分来避免 LPMO 方法中的迭代反演。基于此，我们采用了快速 LPMO (FLPMO) 进行表面相关多重泄漏估计和提取。在两个不同的现场数据集上的应用证明了 LPMO 和 FLPMO 的表面多次泄漏提取性能非常相似，同时表明 FLPMO 中逐点缩放在实际数据集上比基于整形正则化的反演快大约 40 倍在 LPMO。使用关于一次和多次波的典型局部相干长度的信息，可以使用空间约束缩放的逐点划分来避免 LPMO 方法中的迭代反演。基于此，我们采用了快速 LPMO (FLPMO) 进行表面相关多重泄漏估计和提取。在两个不同的现场数据集上的应用证明了 LPMO 和 FLPMO 的表面多次泄漏提取性能非常相似，同时表明 FLPMO 中逐点缩放在实际数据集上比基于整形正则化的反演快大约 40 倍在 LPMO。使用关于一次和多次波的典型局部相干长度的信息，可以使用空间约束缩放的逐点划分来避免 LPMO 方法中的迭代反演。基于此，我们采用了快速 LPMO (FLPMO) 进行表面相关多重泄漏估计和提取。在两个不同的现场数据集上的应用证明了 LPMO 和 FLPMO 的表面多次泄漏提取性能非常相似，同时表明 FLPMO 中逐点缩放在实际数据集上比基于整形正则化的反演快大约 40 倍在 LPMO。我们采用了快速 LPMO (FLPMO) 来进行与表面相关的多重泄漏估计和提取。在两个不同的现场数据集上的应用证明了 LPMO 和 FLPMO 的表面多次泄漏提取性能非常相似，同时表明 FLPMO 中逐点缩放在实际数据集上比基于整形正则化的反演快大约 40 倍在 LPMO。我们采用了快速 LPMO (FLPMO) 来进行与表面相关的多重泄漏估计和提取。在两个不同的现场数据集上的应用证明了 LPMO 和 FLPMO 的表面多次泄漏提取性能非常相似，同时表明 FLPMO 中逐点缩放在实际数据集上比基于整形正则化的反演快大约 40 倍在 LPMO。