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

此文章综述了遥感变化检测中深度学习在图像处理中的重要性，提供了算法分类和数据集分类的综述，并总结了现有算法的性能，为未来的研究方向提供了启示。

May, 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

本研究旨在利用Vision Foundation Models（VFMs）的强大视觉识别能力，提高高分辨率遥感图像（RSIs）的变化检测，并将VFMs应用于HR RSIs的CD是首次的。

Sep, 2023

学习差异特征空间中各种变化的广义表示，提出了一种新颖的具有改善差异特征的Changes-Aware Transformer (CAT)。CAT通过堆叠的余弦交叉注意力层和自注意力层有效地完成了这一改进过程，进而使差异特征空间中的变化像素更接近，从而有利于变化检测。

Sep, 2023

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

提出了一种无监督变化检测方法Segment Change Model (SCM)，利用Vision Foundation Model (VFM)和Contrastive Language-Image Pre-training (CLIP)来改进特征提取和提高辨别性变化边缘，最终在LEVIR-CD和WHU-CD数据集上实验结果表明mIoU分别提高了7.58%和4.58%。

Dec, 2023

本研究探讨了无监督多模态变化检测在时效性任务和综合多时序地球监测中的重要性，并介绍了利用光学高分辨率图像和OpenStreetMap（OSM）数据进行无监督多模态变化检测的方法。我们通过使用视觉基础模型Segmentation Anything Model（SAM）来解决这一任务，利用SAM的优秀的零样本迁移能力获得高质量的光学图像分割图，从而能够直接比较这两种异构数据形态。我们引入了两种策略来指导SAM的分割过程：'no-prompt'方法和'box/mask prompt'方法。这两种策略分别用于检测一般情况下的土地覆盖变化和在已有背景下识别新的土地覆盖对象。在三个数据集上的实验结果表明，所提出的方法与代表性的无监督多模态变化检测方法相比能够取得更具竞争力的结果。

Jan, 2024

在这篇文章中，我们提出了一种新的变化检测模型，称为Segment Any Change Models（AnyChange），它通过训练无关的自适应方法，在零样本预测和泛化的情况下支持不同类型和数据分布的变化检测。AnyChange通过在Segment Anything Model（SAM）的潜在空间中揭示和利用图像内部及图像间的语义相似性来实现零样本变化检测能力。我们还提出了一种点查询机制，使得AnyChange具备了零样本目标中心变化检测的能力。通过大量实验证明了AnyChange在零样本变化检测方面的有效性。AnyChange在SECOND基准测试中取得了令人瞩目的成绩，F$_1$分数超过了之前的最佳结果4.4％，并在有限的手动注释（每个图像1个像素）的监督变化检测上实现了可比较的准确性。

Feb, 2024

本文介绍了一种利用ViTs骨干结构进行大规模变化检测的ChangeViT框架，并引入细节捕获模块和特征注入器，使ChangeViT在检测大规模变化和捕获细粒度细节方面表现出色，并在LEVIR-CD、WHU-CD、CLCD和OSCD四个数据集上取得最先进的性能，验证了该方法的有效性。

Jun, 2024