精读笔记｜基于对抗边缘学习的井壁成像空白条带重建
前言 这篇笔记整理自 Xiong Lei、Sima Fangrui、Guo Shuwen、Xu Huiqun 发表在 Journal of Geophysics and Engineering 2026 年第 23 卷第 3 期（703–712 页）的研究文章： Xiong L., Sima F., Guo S., Xu H. Reconstruction of borehole image gaps via adversarial edge learning. J. Geophys. Eng., 23(3): 703–712, 2026. DOI: 10.1093/jge/gxag011 文章面向的是电成像测井（OBMI/EMI 类）作业中经常出现的纵向或侧向“空白条带”问题——井下仪器掉电极、信号衰减或泥浆干扰都会让图像出现规则或不规则的条状缺失，进而破坏层理、裂缝、溶洞等地质结构的连续性，给后续储层参数反演和地震建模带来麻烦。 一、为什么这件事值得专门做 作者把已有方法分成三类，并指出各自痛点： 传统插值类（De Witte 等的形态学插值、Jassim 的 Kriging 插值等）。在普通图像上稳定，但碰到非均质沉积纹理、多尺度地质特征以及复杂的井下噪声时就“水土不服”，容易出现边缘模糊和伪影。 通用深度学习类。UNet 的多尺度特征和跳跃连接对不规则空缺适应性差；Nazeri 等提出的 EdgeConnect 在低信噪比测井图像上会出现纹理畸变；DGP（Pan 等）、DIP、Wang 等的 GMCNN 等数据驱动方法虽然泛化能力更好，但它们普遍用随机掩码做训练，而真实测井的空白条带在宽度、走向、间距上都有规律，随机掩码学不到这种分布，导致结果在地质上“看着不对”。 Sun 等 (2011) 也早就指出，智能方法常忽略“数据集代表性”和“动态掩码策略”，所以跨井、跨地层泛化能力受限。 作者还特别强调了测井图像的领域特性： 图像是柱面展开图，左右边缘对应同一周井壁，缺失条带经常跨越左右边界，需要循环卷绕处理； 空白条带不是随机噪声，而是由已知的井下故障引起，形态可预测，但真值不可知——这意味着不能像通用 Inpainting 那样在自然图像上手动画 mask 来获取真值标签，必须设计专门的数据构造策略； 这种规律性恰恰给了“专属模型”更大的发挥空间。 二、论文方法的三块拼图 文章的核心贡献被作者概括为“三块拼图”：动态掩码生成、两阶段对抗 EdgeConnect、复合损失函数。 ...