DPG-CD：基于深度先验的跨模态联合2D-3D变化检测
计算机视觉与模式识别
2026-05-11 v1 人工智能
摘要
城市空间演化不仅表现为水平扩展，还表现为垂直结构变化。因此，联合捕获二维语义变化和三维高度变化对于城市形态学分析和紧急管理至关重要。在实际场景中，由于高采集成本和无法支持频繁更新，获取三维观测数据常受限。多时段跨模态输入，即事前数字地表模型（Digital Surface Model, DSM）和事后图像，为高频城市监测、灾后评估和紧急响应场景中的三维变化检测提供了实用解决方案。然而，这一设定仍具有挑战性，因为图像和DSM数据在光谱-几何表征之间存在显著差距。此外，模态差异可能被误认为是实际变化，而鲁健的变化检测需要有效融合来自多时序数据的语义特征和几何特征。本文提出DPG-CD，一种基于深度先验的多时段跨模态融合框架，用于联合2D语义变化和3D高度变化检测。具体而言，引入估计深度先验到图像中，以缓解与DSM之间的模态差距。随后，引入门控融合机制，以适应性地注入深度先验中的几何线索，同时保留判别性的光谱表征。随后，采用多阶段跨时序跨模态特征融合架构，以提取变化感知特征。最后，采用多任务解码器联合预测2D语义变化和3D高度变化，并通过辅助的DSM预测任务来提高结构一致性和高度估计精度。在Hi-BCD和3DCD两个公开数据集上进行的实验表明，DPG-CD在两种2D和3D变化检测任务中均优于现有最先进的方法。
引用
@article{arxiv.2605.07151,
title = {DPG-CD: Depth-Prior-Guided Cross-Modal Joint 2D-3D Change Detection},
author = {Luqi Zhang and Zhen Dong and Bisheng Yang},
journal= {arXiv preprint arXiv:2605.07151},
year = {2026}
}