AdaptOVCD：基于自适应信息融合的训练-free 开词表远程感知改变检测
计算机视觉与模式识别
2026-02-09 v1
摘要
远程感知改变检测在环境监测、城市规划和灾害评估等领域发挥着关键作用。然而，现有方法通常依赖预定义的类别和大规模像素级注释，这限制了其在开放世界情境中的泛化和适用性。为克服这些限制，本文提出了 AdaptOVCD，一种基于双维度多层次信息融合的训练-free 开词表改变检测 (OVCD) 架构。该框架在数据、特征和决策水平垂直整合多层次信息融合，同时在水平上纳入针对性的自适应设计，实现了异构预训练模型间的深度协同，以有效缓解误差传播。具体而言：(1) 在数据层面，自适应辐射计量对齐 (ARA) 将辐射计量统计信息与原始纹理特征融合，并与 SAM-HQ 协同实现辐射计量一致的分割；(2) 在特征层面，自适应改变阈值化 (ACT) 将全局差分布与边缘结构先验结合，并利用 DINOv3 实现稳健的改变检测；(3) 在决策层面，自适应置信度过滤 (ACF) 集成语义置信度与空间约束，并与 DGTRS-CLIP 协作实现高置信度语义识别。九个场景的全面评估表明，AdaptOVCD 能以零样本方式检测任意类别的改变，显著优于现有训练-free 方法。与跨数据集评估相比，它达到了全监督性能上限的 84.89%，并展现出卓越的泛化能力。代码已公开于 https://github.com/Dmygithub/AdaptOVCD。
引用
@article{arxiv.2602.06529,
title = {AdaptOVCD: Training-Free Open-Vocabulary Remote Sensing Change Detection via Adaptive Information Fusion},
author = {Mingyu Dou and Shi Qiu and Ming Hu and Yifan Chen and Huping Ye and Xiaohan Liao and Zhe Sun},
journal= {arXiv preprint arXiv:2602.06529},
year = {2026}
}