DDPM-CD：去噪扩散概率模型作为变化检测的特征提取器

遥感变化检测对于理解地球表面动态变化至关重要，有助于环境变化监测、人类活动影响评估、未来趋势预测以及决策支持。本文提出一种新颖的变化检测方法，该方法在训练过程中可利用现成的、未标注的遥感图像，通过预训练一种去噪扩散概率模型（Denoising Diffusion Probabilistic Model, DDPM）来实现。DDPM是一类用于图像合成的生成模型，其通过马尔可夫链逐步将训练图像转换为高斯分布，从而学习训练数据的分布特性。在推理阶段（即采样过程）中，该模型可从高斯噪声出发，生成一组与训练分布更为接近的多样化图像样本，从而实现当前最先进的图像合成效果。然而，在本研究中，我们的关注点并非图像合成本身，而是将预训练的DDPM作为下游任务——变化检测的特征提取器。具体而言，我们利用预训练DDPM所生成的特征表示，并结合变化标签，对一个轻量级变化分类器进行微调。在LEVIR-CD、WHU-CD、DSIFN-CD和CDD等多个公开数据集上的实验结果表明，所提出的DDPM-CD方法在F1分数、交并比（IoU）和总体准确率等关键指标上均显著优于现有的最先进变化检测方法，充分凸显了预训练DDPM作为下游应用特征提取器的重要价值。相关代码与预训练模型已开源，可访问 https://github.com/wgcban/ddpm-cd 获取。