本研究提出了一种基于尺度不变学习的跨分辨率变化检测方法，利用模糊图像合成解决多分辨率图像问题，并采用基于坐标的表示和局部窗口自注意力机制实现像素级别的预测，实验证明相对于其他方法，该方法在两个合成和一个真实的不同分辨率数据集上都具有更好的性能。

May, 2023

本文提出了一种基于多视角对比损失的自监督无监督远程感知变化检测方法，利用伪孪生网络在大型数据集上进行对比式预训练。实验表明该方法能够显著提高状态最先进的无监督方法的准确性，并使无监督和有监督变化检测之间的差距变小。

Mar, 2021

通过多尺度、通道注意力机制、空间注意力机制、全局上下文模块、特征细化模块、初始聚合模块和最终聚合模块等方式，逐渐完成从粗粒度到细粒度的变化特征提取；并使用均方差方法 (Mean Teacher Method) 将学生模型的参数更新为教师模型的参数，证实了 C2F-SemiCD 方法的显著有效性和高效性。

Apr, 2024

通过模型训练和像素级 CD 伪标签，我们提出了一种用于遥感图像变化字幕的创新网络，该网络具有辅助的 CD 分支和语义融合增强模块，经实验证明此方法在描述变化方面取得了最先进的性能。

Dec, 2023

本文提出了一种使用对比学习和特征跟踪进行无监督卫星图像时间序列变化检测的方法，并通过两个数据集的实验证明了该方法的准确性提升。

Apr, 2023

本文介绍了一种新的改变检测网络 AR-CDNet，能够提供精确的改变图和生成像素级不确定性，并使用知识评估策略从低级特征到高级特征提取时间变化知识，最终通过聚合在线不确定性估计分支提取的基于多级时差特征的确定性特征，提高了改变检测的准确性。

May, 2023

为了解决深度学习在变化检测中存在的问题，本文结合度量学习和分割方法，提出了一种强大而可解释的深度变化特征学习（DeepCL）框架，通过显式建模时序关系和引导分割过程来实现可靠的变化检测。经过理论和实验的全面评估，DeepCL 框架表现出卓越的特征区分能力，在对抗伪变化方面表现得坚韧，并适用于各种变化检测算法，与现有的变化检测方法相比，具有明显的定量和定性优势。

Jul, 2023

提出了一种基于 Siamese 网络架构的改变检测方法，通过利用局部和全局特征表示捕捉多尺度特征，精确估计改变区域，实现了对遥感图像的语义变化的编码。在两个具有挑战性的改变检测数据集上的实验研究表明了该方法的优势，并获得了最先进的性能。

Apr, 2024

在多模态应用中，我们提出了一种创新的基于对比学习的模型，并利用 RS 数据集进行双时序遥感图像对的变化检测分析，实现了文本 - 图像检索功能。

Jun, 2024

提出了一种利用非配对图像中的对象变化作为监督信号的单时相监督学习（STAR）方法，可以利用未配对标记图像训练高精度变化检测器，并且可以推广到现实世界的双时相图像。综合实验结果表明，该方法在单时相和双时相的监督下均表现出优异性能。

Aug, 2021