Generalization of post-stack seismic image enhancement through data augmentation using deep generative models

Las imágenes sísmicas post-apiladas suelen contener ruido y distorsiones estructurales que dificultan la interpretación precisa del subsuelo, especialmente en contextos geológicamente complejos. Los métodos de mejoramiento sísmico incluyen técnicas clásicas de filtrado, que dependen del conocimiento de expertos y pueden comprometer la fidelidad estructural, así como enfoques de aprendizaje supervisado, más flexibles pero dependientes de datos representativos y etiquetados. Aunque estos métodos han mostrado resultados prometedores, persisten limitaciones en su capacidad de generalización cuando se aplican a datos de campo, debido a la discrepancia entre los conjuntos de entrenamiento y la variabilidad real del subsuelo. Para superar estas restricciones, se propone una metodología generativa–supervisada que integra síntesis estructural con entrenamiento dinámico. El enfoque aprovecha cinco complejidades estructurales observadas en cuencas emergentes colombianas (plano, inclinado, plegado, diapírico y fallado) para entrenar un generador progresivo condicional y un autoencoder variacional, con los cuales se producen parches limpios que sirven como referencia en la tarea de mejoramiento supervisado. Previo a esta tarea, los parches se degradan dinámicamente mediante operadores sintéticos, generando en cada iteración pares limpios–ruidosos diversos para robustecer el entrenamiento. Experimentos con datos de campo muestran que nuestro método atenúa el ruido de manera efectiva y preserva la geometría estructural, demostrando capacidad de generalización incluso cuando el entrenamiento se realiza exclusivamente con datos sintéticos.