本文中，我们提出了一种新的思路，将变化检测降低到语义分割的级别，通过一个新模块 MTF 提取变化信息和融合时间特征，并利用主流语义分割技术解决变化检测中的一般分割问题。最后，我们提出了 C-3PO 网络，可以在像素级别上检测变化并取得最先进的性能。

Jun, 2022

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

本研究提出了一种基于领域转换的无监督遥感图像变化检测方法 UCDFormer，通过使用轻量级 Transformer 和特定领域亲和力权重的图像转换来减轻多时相图像中的季节性和风格差异，并通过模糊 C 均值聚类和自适应阈值的伪变化图和可靠像素提取模块选择显著变化 / 未变化的像素位置，以获得二值变化图。实验结果表明 UCDFormer 在处理季节性和风格变化的无监督遥感图像变化检测任务时取得了显著的性能提升，Kappa 系数的性能提升超过了 12%。对于大规模应用的地震引发的滑坡检测，UCDFormer 也取得了出色的性能。

Aug, 2023

提出了一种轻量级裂纹级变化检测网络（LPCDNet），用于快速去除大规模双时期图像中的许多未改变的裂纹对，从而加速后续的像素级 CD 处理阶段并减少其内存成本。

Oct, 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

该论文提出一种半监督式变化检测方法，通过利用未标记的双时间遥感图像来提高深度学习模型的准确性，试验结果表明，该方法即使只有 10% 的标记数据，其准确率也可以接近于有监督学习方法。

Apr, 2022

我们提出了一种可重复使用的自监督框架，用于处理变时地几何畸变问题，通过单阶段预训练可以改善变时地几何畸变，并提升变化检测的性能。

Jan, 2024

应对气候变化引发的自然灾害频率增加，有效的灾害监测变得至关重要。我们提出了一种名为 PUCD 的新型无监督变化检测方法，通过比较预事件、事后事件和基于原型的变化合成图像的特征，通过基础模型捕捉变化，并使用 SAM 模型对结果进行精化。在 LEVIR-Extension 数据集和灾害数据集上评估 PUCD 框架，与其他方法相比，其在 LEVIR-Extension 数据集上实现了最先进的性能。

Oct, 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

通过遥感图像进行基于变化的检测一直是遥感领域的研究热点。本文提出了一种名为 xBD-E2ECD 的未配准端到端变化检测合成数据集，并引入了一种名为 E2ECDNet 的端到端变化检测网络，能够同时生成流场预测结果和变化检测预测结果，此外，该文还重新定义了正确预测正例的标准并引入基于邻域的变化检测评估指标，实验结果显示了显著的改进。

Jul, 2023