ChangeAnywhere：基于语义潜在扩散模型的遥感变化检测样本生成

遥感变化检测是一项基于多时相图像在全球尺度上精准识别变化的关键技术。随着深度学习的近期发展，基于监督深度学习的CD模型已展现出令人满意的性能。然而，CD样本标注非常耗时，因为它需要密集标注且需要专业知识。为了缓解这个问题，我们引入了ChangeAnywhere，一种利用语义潜在扩散模型和单时相图像的新型CD样本生成方法。具体而言，ChangeAnywhere利用获取大规模单时相语义数据集的相对便利性，生成大规模、多样化且带有语义标注的双时相CD数据集。ChangeAnywhere捕捉了CD样本的两个要素，即变化意味着语义不同，而非变化意味着在相同语义约束下的合理变化。基于所提出的方法，我们生成了ChangeAnywhere-100K，这是最大的合成CD数据集，包含10万对CD样本。如迁移实验所示，ChangeAnywhere-100K显著提升了各种基于深度学习的CD模型在两个CD基准数据集上的零样本和少样本性能。本文阐述了ChangeAnywhere在CD样本生成方面的巨大潜力，并展示了随之而来的模型性能提升。因此，ChangeAnywhere为遥感CD提供了一种强大的工具。所有代码和预训练模型将在 https://github.com/tangkai-RS/ChangeAnywhere 上提供。