地震断层检测是建立地球储层模型的关键任务，而高精度、高效率、高分辨率的检测结果是精确地质构造解释的重要保障。随着人工智能算法在目标检测领域的发展，利用深度卷积神经网络预测地震数据中的断层位置成为了研究热点。神经网络通过从地震反射信息中提取断层的潜在特征，并抑制背景噪声的干扰，建立了一种从地震数据到目标断层的非线性映射关系，从而实现端到端的快速预测。目前主流的断层智能检测方法是使用大规模合成数据训练图像分割网络（如U-Net及其变体）。然而，大规模的网络训练和高参量的神经网络依赖于高计算性能的硬件设备，计算代价高昂，便携性较差，影响了技术发展和工业推广。并且合成数据是对人工模型的正演模拟，经地质条件简化的模型难以反映地下复杂的实际构造情况。因此，探索使用小样本真实地震数据训练轻量化神经网络实现高分辨率断层识别是一个非常有意义的研究方向。 

　　中国科学院地质与地球物理研究所油气资源研究院重点实验室王天琪博士研究生与导师王彦飞研究员，提出了一种基于对抗博弈机制和正则化技术结合的高分辨率地震断层解释网络（FaultAdvNet）。该网络一方面利用全局特征融合模块综合考虑目标和背景信息，另一方面利用数据驱动下的辅助网络作为隐式正则化约束项，仅需使用有限的训练样本，便可实现高分辨率的目标地质体检测。 

　　FaultAdvNet的网络架构由三部分组成（图1）：包含一个根据地震输入执行断层识别的分割模块，一个将目标特征（断层）和背景信息（地层反射）整合为全局特征图的特征融合模块，以及一个用来区分断层预测结果和断层标签的鉴别器模块。其中，分割模块（图1a）是一个轻量化预测网络，其参数量仅为常规U-Net模型的1.5%。特征融合模块（图1b）是根据断层的地球物理概念而设计的特征增强流程，通过突出主要地层界面和断层错动边界，督促网络在训练过程中同时关注断层和周围沉积物的反射特征，从而克服常见的断层分割问题（如边界模糊、连续性差和误判倾斜地层为断层等）。分割模块（图1a）和鉴别器模块（图1c）通过对抗博弈的训练方式来提高彼此性能，具体而言，前者通过生成与标签更接近的预测结果来欺骗后者，后者通过判别预测结果和标签的差异来惩罚前者。把惩罚值量化可构成正则化损失函数，它是像素级预测误差和图像级预测误差的加权，反映了FaultAdvNet对局部目标信息和全局宏观信息的整体掌控。 

图1 FaultAdvNet模型的网络架构。（a）分割模块；（b）特征融合模块；（c）鉴别器模块

　　通过模块功能对比分析（图2），他们评估了FaultAdvNet模型中各模块的重要性和彼此间的协同关系，验证了该网络架构的优越性。通过与 U-Net模型的对比，论证了针对特定任务而设计的神经网络架构更适合解决专业问题。 

图2 FaultAdvNet模型在训练过程中的模块功能分析。（a）初步训练分割模块的FaultAdvNet模型；（b）FaultAdvNet模型；（c）无特征融合模块和鉴别器模块的FaultAdvNet模型；（d）U-Net模型

　　墨西哥湾地区的案例研究表明，相比于传统方法（如相干算法）和其他智能方法（包含多种CNN深度学习方法），FaultAdvNet的三维预测结果具有良好的连续性、清晰的边界和更高的置信度（图3）。该方法作为计算机视觉和地球物理学科的交叉研究，在各种地质识别任务（如河道、盐丘和气烟囱等）中有着广阔的应用前景。 

图3 断层预测结果的三维视图。（a）墨西哥湾地区的三维地震数据；（b）第三代相干算法的预测结果；（c）三维卷积神经网络的预测结果；（d）U-Net模型的预测结果；（e）FaultAdvNet模型的预测结果

　　研究成果发表于国际学术期刊Geophysics （Wang T  Q and Wang Y F*.  High-resolution seismic faults interpretation based on adversarial neural networks with a regularization technique[J]. Geophysics, 2022, 87 (6): IM207–IM219. DOI: 10.1190/geo2021-0383.1）。研究受国家自然科学基金（12171455）、中科院从0到1原始创新项目（ZDBS-LY-DQC003）及中科院地质与地球物理研究所重点部署项目（IGGCAS-2019031）资助。