AI 破局岩心缺损!Stable Diffusion 精准修复储层岩心缺失段

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12546600/pdf/41598_2025_Article_20817.pdf

岩心数据是储层表征的核心依据，但其缺失问题始终难以避免：

• 脆性页岩、裂缝性碳酸盐岩取心易发生机械破损；
• 松散砂岩在洗井区易流失，脆弱岩心搬运易损坏；
• 实验室英寸级岩塞取样，直接破坏沉积构造连续性。

早期图像修复技术（扩散偏微分方程、补丁匹配）仅适配小范围缺损，面对复杂纹理、大缺失区直接 “失效”；后续 CNN、GAN 虽提升精度，但超 50% 缺失区、复杂地质特征仍难以搞定。扩散模型的崛起，成为解决这一难题的关键。

【扩散模型图像修复发展历程图】

本次研究采用Stable Diffusion Model（SDM），基于潜空间压缩 + U-Net 架构，专为岩心图像修复优化，是行业内的创新尝试。

1. 模型核心原理

扩散模型训练分两大阶段：

• 正向加噪
  ：给完整图像逐步添加高斯噪声，最终变为纯噪声，让模型学习图像退化规律；
• 反向去噪
  ：迭代去除噪声，还原原始图像，实现缺损内容生成。

SDM 通过预训练自编码器将图像压缩至潜空间运算，大幅提升效率，同时保留地质细节。

2. 修复专属改造

为岩心修复优化 U-Net 输入，新增掩码通道：白色标记岩心缺失区、黑色保留原始岩心区域，让模型精准定位修复范围。

3. 六步标准化修复流程

1. 岩心图像裁剪拼接，形成连续全井段图像；
2. 滑动窗口提取重叠图像块，适配模型输入；
3. 随机掩码模拟岩心缺损，构建训练样本；
4. 逐步加噪，完成模型扩散过程训练；
5. 迭代去噪，固定原始区域、生成缺损区域；
6. 模型部署，实现真实岩心缺失段修复。

4. 实验数据支撑

采用 130 + 张公开岩心箱图像，覆盖 10 口井、多样沉积环境，拆分 10000 + 高分辨率补丁（80% 训练 / 20% 验证），在 NVIDIA RTX3070 显卡上完成训练。

【Stable Diffusion 模型架构图】

实测效果：四类场景修复表现拉满

研究针对四种典型岩心缺损场景测试，结合视觉评估 + LPIPS 量化指标（LPIPS＜0.35 即视觉连贯、地质合理），修复效果远超传统方法：

1. 英寸级岩塞修复精准还原毫米级沉积构造、层理完整性，不同岩性均保持纹理一致，无明显修复痕迹。

   

   【英寸岩塞修复对比图】

2. 均质地层修复完美保留岩相特征、生物扰动结构，LPIPS 值低至 0.24，地质一致性拉满。

   

   【均质地层修复对比图】

3. 渐变相带修复成功复刻粒度渐变、生物扰动强度变化，层理趋势无偏差，适配生物扰动序列等渐变场景。

   

   【渐变相带修复对比图】

4. 复杂非均质地层（挑战项）可还原整体岩性与沉积趋势，但突变岩性边界、断裂末端缺失时，精准度明显下降。

   
   

   【插入原文图 8、图 9：复杂非均质地层修复对比图】

技术边界：优势与局限清晰明确

✅ 核心优势

1.缺损大小是关键：小缺损修复精度远胜大缺损，掩码大小比形状更影响效果，小圆形掩码修复最优；

2.适配场景明确：均质区、渐变相带修复精度拉满，沉积纹理、层理架构还原度高；

3.降本增效：无需大量人工干预，降低人为解释偏差，提升储层评价效率。

❌ 现存局限

1.无法精准定位突变岩相边界、无末端的断裂结构；

2.图像分辨率因补丁尺寸妥协，细节略有模糊；

3.测井数据因尺度差（1.25m 测井间距 vs 50cm 内岩心缺损），无法提供有效地质约束。

【不同掩码形状 / 大小修复对比图】

PART/5

总结   

本次研究证实，Stable Diffusion 可高效修复岩心缺失段，有效降低储层评价不确定性，为油气地质研究提供全新 AI 工具。未来结合高分辨率地质约束的混合模型，将进一步突破复杂地质场景限制，让 AI 成为地下储层研究的硬核帮手。

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐 

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型
• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法
• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测
• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络
• Gold-YOLO：基于聚合与分配机制的高效目标检测器
• Drone-YOLO：一种有效的无人机图像目标检测
• 「无人机+AI」“空中城管”
• 无人机+AI：光伏巡检自动化解决方案
• 无人机视角下多类别船舶检测及数量统计
• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题
• 2PCNet：昼夜无监督域自适应目标检测（附原代码）
• YOLO-S：小目标检测的轻量级、精确的类YOLO网络
• 大改Yolo框架 |  能源消耗极低的目标检测新框架（附论文下载）
• 改进的检测算法：用于高分辨率光学遥感图像目标检测