SIGMA

SIGMA是一个新的物理基础数据集，用于地震图像中的气体烟囱理解，提供像素级掩码用于检测，以及配对的退化/地面真实图像用于增强。SIGMA is a novel physics-grounded dataset for gas chimney understanding in seismic images. It provides pixel-level masks for detection tasks, as well as paired degraded/ground-truth images for data augmentation.

原始信息汇总

SIGMA 数据集概述

SIGMA 是一个基于物理原理的地震图像气烟囱理解基准数据集，旨在推动气烟囱检测与图像增强的研究。

核心特点

• 数据内容：提供用于气烟囱检测的像素级掩码，以及配对的退化/真实地震图像对，支持图像增强任务。
• 数据规模：支持用户利用提供的生成流水线自主扩展数据集规模。
• 数据来源：基于物理模型合成，模拟地下流体迁移导致的气烟囱垂直异常现象。

数据集结构

组件	说明
像素级掩码	标记气烟囱区域的精确掩码，用于检测任务
退化/真实图像对	配对的地震图像，包括合成退化版本和对应的真实洁净版本，用于增强任务

使用方法

• 直接加载：通过 Hugging Face Datasets 加载： python from datasets import load_dataset dataset = load_dataset("giabao804/SIGMA")

• 自主生成：使用提供的流水线，基于物理模拟（包括速度模型准备、裂缝网络生成、气体饱和度建模、速度模型创建、逆时偏移合成地震图像）生成自定义数据集。

下载与访问

• 数据集：Hugging Face 数据集页面
• 论文：arXiv 预印本
• 项目主页：项目网站

引用

bibtex @misc{truong2026sigma, title={SIGMA: A Physics-Based Benchmark for Gas Chimney Understanding in Seismic Images}, author={Truong, Bao and Nguyen, Quang and Huang, Baoru and Han, Jinpei and Nguyen, Van and Le, Ngan and Pham, Minh-Tan and Hien, Doan Huy and Nguyen, Anh}, year={2026}, url={https://arxiv.org/abs/2603.23439}, }

搜集汇总

数据集介绍

构建方式

在地球物理勘探领域，地震图像中的气体烟囱现象为地下流体运移提供了关键指示。SIGMA数据集基于物理驱动的地震成像原理，构建了一套系统化的生成流水线。该流程首先从真实速度模型库中提取初始速度场，随后通过随机裂缝网络生成模块模拟地下断裂分布，并在此基础上利用气体饱和模型刻画裂缝内流体填充状态。进而将气体影响嵌入速度模型，生成含有气体烟囱特征的速度场。最终借助逆时偏移（RTM）算法对修正后的速度模型进行数值模拟，合成带有逐像素标注的地震图像。这一生成范式确保了标注的真实性与物理一致性，为气体烟囱的检测与图像增强任务提供了可靠的基准数据。

使用方法

研究人员可通过Hugging Face平台便捷地获取SIGMA数据集，仅需几行Python代码即可加载并集成至现有工作流程。数据集同时支持本地可扩展生成：用户可以基于完整流水线，利用自定义速度模型与参数配置，自行合成新样本。该流水线包含四个核心阶段——从速度模型准备、裂缝网络生成、气体饱和建模到逆时偏移成像，每一阶段均可独立配置与优化。还提供了GPU加速选项以提升大规模生成效率。数据集提供的标准接口与模块化设计使其易于适配至各类深度神经网络架构，为气体烟囱理解提供了一条可复现、可扩展的科研路径。

背景与挑战

背景概述

地震成像技术通过重构地下反射率场，为油气勘探与储层监测提供了关键支撑。气体烟囱作为流体迁移所诱发的垂直异常结构，是评估烃类潜力和规避钻井风险的核心标志。然而，传统基于物理的检测方法计算成本高昂，而深度学习模型则受限于高质量标注数据的匮乏。2026年，由FPT Software AI Center联合帝国理工学院、阿肯色大学、南布列塔尼大学及利物浦大学等机构的研究人员共同推出了SIGMA数据集。该数据集依托物理模拟框架，首次提供了像素级气体烟囱检测掩膜及配对的有损/无损地震图像，为解决气体烟囱理解问题开辟了全新路径。SIGMA的发布标志着地震图像分析领域迈向物理驱动与数据驱动融合的新范式，对提升地下流体探测的精度与效率具有深远影响。

当前挑战

SIGMA数据集所面临的挑战主要涵盖两个层面。在领域问题层面，气体烟囱的自动检测与增强长期受困于两个难题：一是地下流体迁移导致的弱信号与强噪声交织，使得传统物理反演方法难以精确捕捉烟囱边界；二是现有深度学习模型因缺乏大规模、物理一致性的标注数据而泛化能力薄弱。在数据集构建过程中，挑战同样严峻：需要从零开始设计多阶段物理管线，包括速度模型生成、裂缝网络模拟、气体饱和建模及逆时偏移（RTM）成像，每一步均需精细校准以确保合成数据与实际地质特征的一致性。此外，跨机构协作带来的数据标准统一与计算资源调度问题，也增加了构建过程的复杂性。

常用场景

经典使用场景

在油气勘探与地质解释的学术研究中，SIGMA数据集主要用于气体烟囱的语义分割与图像增强任务。气体烟囱作为地下流体运移形成的垂直异常体，其精准定位对碳氢化合物潜力评估至关重要。该数据集提供了像素级掩膜，可支持基于深度学习的检测模型训练，同时包含配对的有损与真实地震图像，适用于图像恢复与去噪研究，是首个将物理建模与深度学习需求结合的地震图像基准。

解决学术问题

SIGMA数据集有效解决了气体烟囱检测中长期存在的两大困境：传统物理方法计算代价高昂且泛化能力弱，而深度学习方法因缺乏大规模、高质量的标注数据而难以施展。通过引入基于波动方程的正演模拟管线，该数据集生成了带有精准真值标签的合成地震图像，填补了领域空白。它推动了弱监督学习、域适应与物理信息网络等前沿方法的探索，为地震属性分析提供了可复现的标准化评价平台，极大提升了相关研究的可信度与可比较性。

实际应用

在实际油气勘探中，SIGMA数据集可辅助工程师在地震剖面上快速识别气体烟囱，从而规避钻井风险，优化井位部署。其图像增强功能有助于从噪声严重或分辨率不足的野外观测数据中恢复地下结构细节，提升异常体识别的鲁棒性。此外，该数据集的生成管线支持用户自建定制化训练样本，适配不同地质背景的勘探需求，实现了从实验室研究到工业级应用的平滑迁移。

数据集最近研究

最新研究方向

在当前地球物理勘探与深度学习交叉的前沿领域，SIGMA数据集通过引入物理驱动的地震图像合成管线，为气烟囱的精确检测与图像增强提供了首个大规模、像素级标注的基准。该研究聚焦于将逆时偏移等传统物理模拟方法与神经网络相结合，解决了真实地下流体迁移异常在探测中缺乏标注数据的长期瓶颈。随着全球对碳氢化合物勘探安全性与储层监测精度要求的提升，SIGMA不仅推动了深度学习在复杂地质结构理解中的应用，也为后续基于可扩展、可控物理模型的地震图像分析研究奠定了重要基础，有望显著降低钻井风险并提升资源评估的可靠性。