Neural compression of seismic data via rate-distortion learning

Abstract

Levantamentos sísmicos marinhos geram volumes massivos de dados que representam desafios significativos de armazenamento e transmissão para sistemas de aquisição sem fio. Este estudo aborda esses desafios propondo uma estrutura de compressão neural para sinais sísmicos unidimensionais que aproveita o aprendizado conjunto de taxa e distorção por meio da integração de um autoencoder convolucional e um modelo de contexto. Durante o treinamento, o modelo de contexto estima a entropia das representações latentes, permitindo a incorporação de um termo de taxa juntamente com o termo de distorção na função de perda do autoencoder. Isso leva o codificador a gerar representações latentes compactas e altamente compressíveis. Um mapa de importância é integrado ao autoencoder para permitir a alocação adaptativa de bits, atribuindo mais bits a regiões ricas em informação dos sinais sísmicos e reduzindo bits em regiões menos críticas. A estrutura é treinada e avaliada em um conjunto de dados sísmicos fornecido pela Petrobras do campo de Jubarte. Os resultados experimentais demonstram que o esquema de compressão proposto alcança um equilíbrio controlável entre taxa e distorção em múltiplas taxas de compressão, fornecendo uma solução prática e escalável para gerenciar as demandas de largura de banda e armazenamento da aquisição de dados sísmicos em larga escala.

Marine seismic surveys generate massive data volumes that pose significant storage and transmission challenges for wireless acquisition systems. This study addresses these challenges by proposing a neural compression framework for one-dimensional seismic signals that leverages joint rate-distortion learning through the integration of a convolutional autoencoder and a context model. During training, the context model estimates the entropy of the latent representations, enabling the incorporation of a rate term along with the distortion term into the autoencoder's loss function. This drives the encoder to generate compact, highly compressible latent representations. An importance map is further integrated into the autoencoder to enable adaptive bit allocation, assigning more bits to information-rich regions of the seismic signals while reducing bits in less critical regions. The framework is trained and evaluated on a seismic dataset provided by Petrobras from the Jubarte field. Experimental results demonstrate that the proposed compression scheme achieves a controllable rate-distortion trade-off across multiple compression ratios, providing a practical and scalable solution for managing the bandwidth and storage demands of large-scale seismic data acquisition.