Constrained Diffusion Probabilistic Models for Seismic Data Reconstruction

La adquisición sísmica es de suma importancia, ya que permite representar las características geológicas del subsuelo. Sin embargo, diversos factores afectan la geometría de adquisición, impactando la calidad de los datos sísmicos. Se han desarrollado diferentes metodologías basadas en modelos generativos para la reconstrucción de datos sísmicos. En este contexto, han surgido métodos basados en modelos de difusión (DM) para la reconstrucción de datos sísmicos, guiando la generación a una solución al problema de reconstrucción mediante soluciones en forma cerrada y métodos de aprendizaje profundo. No obstante, estas metodologías no logran una generalización y robustez del modelo para brindar soluciones a otros dominios de datos sísmicos. Como resultado, es necesario reentrenar todo el DM para cada experimento, lo que conlleva altos costos computacionales debido a su complejidad. En este trabajo proponemos un método que combina Deep Image Prior con un discriminador (DM-DIGP), y uno basado en Operadores de Restauración y Deep Image Prior (DM-RODIP). Estos enfoques ofrecen un marco alternativo basado en DM para la reconstrucción de datos sísmicos, donde el proceso de generación de un DM preentrenado es guiado hacia la solución del problema de reconstrucción. Los métodos propuestos fueron evaluados en datos sintéticos y de campo, demostrando un desempeño superior en la reconstrucción en términos de PSNR y SSIM.