DDPM-CD: 변화 탐지용 특징 추출기로서의 디노이징 확산 확률 모델

원격 탐사 변화 탐지 기술은 지구 표면의 동태를 이해하는 데 핵심적인 역할을 하며, 환경 변화 모니터링, 인류 활동의 영향 평가, 미래 추세 예측, 그리고 정책 결정 지원에 기여한다. 본 연구에서는 이미지 합성에 사용되는 생성 모델의 일종인 복원성 확산 확률 모델(Denoising Diffusion Probabilistic Model, DDPM)을 사전 학습함으로써, 사전에 레이블이 붙지 않은 일반적인 원격 탐사 이미지를 활용할 수 있는 새로운 변화 탐지 접근법을 제안한다. DDPM은 마르코프 체인을 이용해 훈련 이미지를 점진적으로 가우시안 분포로 변환함으로써 훈련 데이터의 분포를 학습한다. 추론 과정(즉, 샘플링)에서는 가우시안 노이즈에서 시작하여 훈련 분포에 가까운 다양한 샘플을 생성할 수 있으며, 이로 인해 최신 기술 수준의 이미지 합성 성능을 달성한다. 그러나 본 연구에서는 이미지 합성 자체가 목적이 아니라, 사전 학습된 DDPM을 하류 응용인 변화 탐지를 위한 특징 추출기로 활용하는 데 초점을 맞춘다. 구체적으로, 사전 학습된 DDPM이 생성한 특징 표현과 변화 레이블을 함께 사용하여 경량화된 변화 분류기를 미세 조정한다. LEVIR-CD, WHU-CD, DSIFN-CD, CDD 등의 데이터셋에서 수행한 실험 결과, 제안하는 DDPM-CD 방법이 기존 최첨단 변화 탐지 기법들에 비해 F1 점수, IoU, 전체 정확도 측면에서 뚜렷한 성능 향상을 보였으며, 사전 학습된 DDPM이 하류 응용 분야에서 특징 추출기로서의 핵심적인 역할을 수행할 수 있음을 입증한다. 본 연구의 코드 및 사전 학습 모델은 https://github.com/wgcban/ddpm-cd 에 공개되어 있다.