CDMamba：将局部线索融入Mamba以实现遥感图像二值变化检测

近年来，基于状态空间模型的Mamba架构在一系列自然语言处理任务中展现出卓越性能，并迅速被应用于遥感变化检测（Change Detection, CD）任务中。然而，现有大多数方法通过直接修改Mamba的扫描方式来增强全局感受野，却忽视了局部信息在密集预测任务（如二值化变化检测）中的关键作用。为此，本文提出一种名为CDMamba的新模型，旨在有效融合全局与局部特征，以应对二值化变化检测任务的挑战。具体而言，本文设计了缩放残差卷积Mamba（Scaled Residual ConvMamba, SRCM）模块，充分利用Mamba提取全局特征的能力，同时引入卷积操作以增强局部细节表达，从而缓解当前基于Mamba的方法在密集预测任务中缺乏精细线索、难以实现精准检测的问题。此外，针对变化检测任务中对双时相特征交互的特殊需求，本文进一步提出了自适应全局-局部引导融合（Adaptive Global-Local Guided Fusion, AGLGF）模块，该模块能够动态地利用其他时相的全局或局部特征，引导双时相特征之间的交互。我们的核心思想是：通过其他时相特征的引导，可获得更具判别性的变化特征。在五个公开数据集上的大量实验结果表明，所提出的CDMamba模型在性能上达到当前先进水平。例如，在LEVIR+CD和CLCD数据集上，F1分数和交并比（IoU）分别提升了2.10%/3.00%和2.44%/2.91%。相关代码已开源，地址为：https://github.com/zmoka-zht/CDMamba。