摘要
尽管基于深度学习的变化检测（Change Detection, CD）方法取得了显著进展，但其在时间维度（通道与空间）及多尺度对齐方面的现有不足，导致其在应对不同成像条件下产生的外部干扰因素（如光照变化和视角差异）时能力有限。为此，本文提出一种双时相特征对齐（Bitemporal Feature Alignment, BiFA）模型，通过降低无关因素的影响，在轻量化条件下实现高精度的变化检测图生成。具体而言，在时间对齐方面，本文提出双时相交互（Bitemporal Interaction, BI）模块，实现双时相图像在通道层面的对齐。其核心思想是：在特征提取阶段引入BI模块，有助于抑制光照变化等干扰因素的影响。同时，提出基于差分光流场的对齐模块（Alignment via Differential Flow Field, ADFF），显式估计双时相图像之间的偏移量，实现其在空间层面的对齐，从而缓解因视角差异导致的配准不充分问题。此外，在多尺度对齐方面，本文引入隐式神经对齐解码器（Implicit Neural Alignment Decoder, IND），通过在坐标空间中学习连续的图像表示，生成更精细的预测图，实现多尺度特征的精确对齐。实验结果表明，所提出的BiFA模型在六个公开数据集上均优于现有最先进方法。例如，在LEVIR+-CD和Sun Yat-sen University (SYSU)-CD数据集上，F1分数（F1）和交并比（IoU）分别提升了2.70%/3.91%和2.01%/2.94%。同时，该方法在跨分辨率变化检测任务中展现出更强的鲁棒性。相关代码已开源，地址为：https://github.com/zmoka-zht/BiFA。