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

通过将 Contrastive 和 Generative 方法应用于 ViT 和 LLM 的表示对齐，我们提出了 CG-VLM 模型，有效地实现了视觉 - 语言的对齐，成为一种高效的指令学习器。

Nov, 2023

本研究提出了基于 DDPM 的 change-aware diffusion model (CADM) 模型，使用有限的标注数据快速训练，采用动态差分条件编码来增强 bitemporal change detection 任务中的区域注意力，实验结果表明相对于现有模型表现显著更优，充分说明了该模型的泛化性和有效性。

Jun, 2023

CoMatch 是一种新的半监督学习方法，它通过学习数据的两种表示（类概率和低维嵌入）相互作用来统一主流方法并解决其局限性，并在多个数据集上实现了最先进的性能。

Nov, 2020

本文通过探索视觉语言预训练和通过语言空间强制特征对齐，首次解决了半监督领域泛化问题。我们提出了一种新颖的跨域描述多尺度学习（CDDMSL）方法，在嵌入空间中最大化了具有不同领域特性的图像描述之间的一致性。CDDMSL 在领域泛化和域自适应设置中显著优于现有方法，分别实现了 11.7% 和 7.5% 的改进。全面的分析和消融研究确认了我们方法的有效性，将 CDDMSL 定位为物体检测任务中领域泛化的有希望的方法。

Sep, 2023

本文从数据增强和弱监督学习的角度研究了变化检测的泛化问题，提出了一种基于背景混合数据增强和虚假标签的弱监督训练方法，并设计了一种增强数据一致性损失以显著提高模型的泛化能力。经过广泛的实验验证，在两个公共数据集中，该方法可以增强四种最先进的变化检测方法，证明了它的优势。

Nov, 2022

本文提出了基于可视化 - 语言预训练的多模态对比学习（ChangeCLIP）用于变化检测领域的广义化。同时，还提出了动态语境优化的提示学习方法。此外，为了解决现有方法中的数据依赖性问题，引入了基于单时序和可控的 AI 生成训练策略（SAIN）。通过在真实世界的大量单时序图像上训练模型而无需图像对，ChangeCLIP 实现了出色的广义化能力。大量实验验证了 ChangeCLIP 在一系列真实变化检测数据集上的优越性和强大的广义化能力，胜过了现有的最先进变化检测方法。代码将会提供。

Apr, 2024

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

本文介绍了一种基于扩散模型的远程感知高光谱图像变化检测方法，结合语义相关性扩散模型和交叉时序对比学习机制，利用丰富的未标定样本获得不变的光谱差异特征在三个数据集上的实验表明，该方法在准确性、kappa 系数和 F1 值等方面都优于最先进的无监督方法，同时可以跟需要大量注释样本的全监督方法达成可比较的结果。

May, 2023

本文提出一种新颖的视觉编码器，以在 Change Captioning 任务中明确区分视点变化和语义变化，并进一步模拟人类的注意力偏好，通过一种新的强化学习过程直接微调注意力。实验结果表明，该方法在 Spot-the-Diff 和 CLEVR-Change 数据集中的表现优于现有方法。

Sep, 2020