通过时序图像修复进行卫星图像异常检测
计算机视觉与模式识别
2026-01-01 v1 地球物理
摘要
从卫星图像中检测地表变化对于快速灾害响应和环境监测至关重要，但由于大气噪声、季节变化和传感器伪影之间复杂的相互作用，这仍然具有挑战性。在这里，我们展示了深度学习可以利用卫星时间序列的时序冗余，以前所未有的灵敏度检测异常，通过学习预测在没有变化的情况下地表应该是什么样子。我们训练了一个基于 SATLAS 基础模型的图像修复模型，利用跨越不同气候带和土地覆盖类型的全球分布训练数据，从先前的图像中重建 Sentinel-2 时间序列的最后一帧。当应用于受突发地表变化影响的区域时，预测与观测之间的差异揭示了传统变化检测方法遗漏的异常。我们在 2023 年土耳其-叙利亚地震序列引发的地表破裂上验证了我们的方法，展示了在 Tepehan 地区检测裂谷特征时，比时间中值或 Reed-Xiaoli 异常检测器具有更高的敏感性和特异性。我们的方法达到了比基线方法低约三倍的检测阈值，为利用免费获取的多光谱卫星数据进行自动化、全球尺度的地表变化监测提供了一条途径。
引用
@article{arxiv.2512.23986,
title = {Anomaly detection in satellite imagery through temporal inpainting},
author = {Bertrand Rouet-Leduc and Claudia Hulbert},
journal= {arXiv preprint arXiv:2512.23986},
year = {2026}
}