BTCChat：基于多模态大语言模型的遥感双时相变化描述
计算机视觉与模式识别
2026-01-28 v2
摘要
双时相卫星影像支持城市化监测和灾后评估等关键应用。尽管强大的多模态大语言模型（MLLM）已被应用于双时相变化分析，但以往方法通过直接拼接图像对，不足以建模时序关联和空间语义变化。这种缺陷阻碍了视觉-语义对齐的变化理解，从而限制了当前方法的整体效果。为解决这一问题，我们提出了 BTCChat，一种具备先进双时相变化理解能力的多时序 MLLM。BTCChat 支持双时相变化描述，同时保留单图解释能力。为更好地捕获图像对中的时序特征和空间语义变化，我们设计了变化提取模块。此外，为增强模型对空间细节的注意力，我们引入了提示增强机制，将上下文线索纳入提示中以提升模型性能。实验结果表明，BTCChat 在变化描述和视觉问答任务上实现了最新成果。该代码可在 \href{https://github.com/IntelliSensing/BTCChat}{here} 获取。
引用
@article{arxiv.2509.05895,
title = {BTCChat: Advancing Remote Sensing Bi-temporal Change Captioning with Multimodal Large Language Model},
author = {Yujie Li and Wenjia Xu and Yuanben Zhang and Zhiwei Wei and Mugen Peng},
journal= {arXiv preprint arXiv:2509.05895},
year = {2026}
}
备注
5 pages, 2 figures; Accepted by ICASSP 2026