ChangeDINO：基于 DINOv3 的光学遥感影像建筑变更检测
计算机视觉与模式识别
2025-11-21 v1
摘要
遥感变更检测 (RSCD) 旨在从共注册的双时相图像中识别表面变化。然而，许多基于深度学习的 RSCD 方法仅依赖变更图注释， underutilize 了非变化区域中的语义信息，这在光照变化、偏离法向视角和稀缺标注的情况下限制了鲁棒性。本文介绍 ChangeDINO，一个用于光学建筑变更检测的端到端多尺度 Siamese 框架。该模型将轻量级 backbone 流与来自冻结 DINOv3 的特征融合，生成语义和上下文丰富的金字塔，即使在小数据集上亦可实现。随后，空间-光谱差分变换器解码器利用多尺度绝对差异作为变更先验，以突出真实建筑变更并抑制无关响应。最后，一个可学习的形态模块细化上采样后的 logits，以恢复干净的边界。在四个公开基准数据集上的实验表明，ChangeDINO 在 IoU 和 F1 分数上一致优于最近的 SOTA 方法，消融研究确认了每个组件的有效性。源码已公开于 https://github.com/chingheng0808/ChangeDINO。
引用
@article{arxiv.2511.16322,
title = {ChangeDINO: DINOv3-Driven Building Change Detection in Optical Remote Sensing Imagery},
author = {Ching-Heng Cheng and Chih-Chung Hsu},
journal= {arXiv preprint arXiv:2511.16322},
year = {2025}
}