基于Gabor的可学习稀疏表示用于自监督去噪
摘要：通过“黑盒”（以像素为导向）训练来学习网络权重的传统有监督去噪网络需要干净的训练标签。这种去噪网络的不可解释性以及需要干净数据作为标签的要求限制了它们在实际场景中的适用性。深度展开方法将优化过程展开成深度神经网络（DNN），提高了网络的可解释性。此外，DNN中的可修改滤波器使我们能够嵌入所需信号的物理信息，以便以自我监督的方式去除噪音。因此，我们提出了基于Gabor的可学习稀疏表示网络，通过在训练阶段对网络的Gabor滤波器参数施加约束/界限，以自我监督的方式抑制不同类型的噪音。所提方法在合成和真实数据上展示了对伪随机噪音和地滚噪音的有效性。
作者：Sixiu Liu, Shijun Cheng, and Tariq Alkhalifah
论文ID：2308.03077
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2023-08-08