Título
[en] SEISMIC IMAGE SUPER RESOLUTION
Título
[pt] SUPER RESOLUÇÃO DE IMAGENS SÍSMICAS
Autor
[pt] PEDRO FERREIRA ALVES PINTO
Vocabulário
[pt] PROCESSAMENTO DE IMAGENS
Vocabulário
[pt] REDES NEURAIS PROFUNDAS
Vocabulário
[pt] SUPER RESOLUCAO
Vocabulário
[en] IMAGE PROCESSING
Vocabulário
[en] DEEP NEURAL NETWORKS
Vocabulário
[en] SUPER RESOLUTION
Resumo
[pt] A super resolução (SR) é um tema de suma importância em domínios
de conhecimentos variados, como por exemplo a área médica, de monitoramento e de segurança. O uso de redes neurais profundas para a resolução
desta tarefa é algo extremamente recente no universo da sísmica, tendo poucas referências, as quais começaram a ser divulgadas há menos de 2 anos.
Todavia, a literatura apresenta uma vasta gama de métodos, que utilizam redes neurais para a super resolução de imagens naturais. Tendo isto em vista,
o objetivo deste trabalho é explorar tais abordagens aplicadas em dados sísmicos sintéticos de reservatórios. Para isto, foram empregados modelos de
importância cronológica na literatura e foram comparados com um método
clássico de interpolação e com os modelos da literatura de super resolução
de imagens sísmicas. São estes modelos: o SRCNN, o RDN, a abordagem do
Deep Image Prior e o SAN. Por fim, os resultados apresentam que o PSNR
obtido por arquiteturas de projetos no domínio da sísmica equivale a 38.23
e o melhor resultado das arquiteturas propostas 38.62, mostrando o avanço
que tais modelos trazem ao campo da sísmica.
Resumo
[en] Super resolution (SR) is a topic of notable importance in domains of
assorted knowledge, such as the medical, monitoring, and security areas.
The use of deep neural networks to solve this task is something extremely
recent in the seismic field, with few references, which began to be published
less than 2 years ago. However, the literature presents a wide range of
methods, using neural networks for the super resolution of natural images.
With this in mind, the objective of this work is to explore such approaches
applied to synthetic seismic data from reservoirs. For this, models of
chronological importance in the literature were used and compared with
a classic interpolation method and with models of the literature of super
resolution of seismic images. These models are: SRCNN, RDN, the Deep
Image Prior approach and SAN. The results show that the PSNR obtained
by architectures developed for the seismic domain is equivalent to 38.23 and
the best result of the proposed architectures is 38.62, showing the progress
that such models bring to the seismic domain.
Orientador(es)
SERGIO COLCHER
Banca
HELIO CORTES VIEIRA LOPES
Banca
ALBERTO BARBOSA RAPOSO
Banca
SERGIO COLCHER
Catalogação
2022-12-06
Apresentação
2022-09-30
Tipo
[pt] TEXTO
Formato
application/pdf
Idioma(s)
PORTUGUÊS
Referência [pt]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=61491@1
Referência [en]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=61491@2
Referência DOI
https://doi.org/10.17771/PUCRio.acad.61491
Arquivos do conteúdo
NA ÍNTEGRA PDF