GCD-DDPM：基于差异特征引导 DDPM 的生成式变化检测模型
计算机视觉与模式识别
2024-03-05 v4
摘要
基于深度学习（DL）的方法近期在双时相变化检测（CD）中展现出巨大潜力。现有的基于卷积神经网络（CNN）和 Transformer 的判别方法依赖判别式表示学习进行变化识别，但在探索局部与长程上下文依赖方面存在困难。因此，在多样地物场景中获取细粒度且鲁棒的变化检测图仍具挑战性。为应对该挑战，本文提出一种称为 GCD-DDPM 的生成式变化检测模型，通过利用去噪扩散概率模型（DDPM）直接生成变化检测图，而非将每个像素分类为变化或未变化类别。此外，设计了差异条件编码器（DCE），通过利用多级差异特征来引导变化检测图的生成。借助变分推断（VI）过程，GCD-DDPM 可通过迭代推断自适应地重新校准变化检测结果，同时在多样场景中准确区分细微且不规则的变化。最后，专门设计了基于噪声抑制的语义增强器（NSSE），以减轻来自 CD 编码器的当前步骤变化感知特征表示中的噪声。该细化作为注意力图，可引导后续迭代并提升变化检测精度。在四个高分辨率变化检测数据集上的大量实验证实了所提 GCD-DDPM 的优越性能。本工作的代码将在 https://github.com/udrs/GCD 提供。
引用
@article{arxiv.2306.03424,
title = {GCD-DDPM: A Generative Change Detection Model Based on Difference-Feature Guided DDPM},
author = {Yihan Wen and Xianping Ma and Xiaokang Zhang and Man-On Pun},
journal= {arXiv preprint arXiv:2306.03424},
year = {2024}
}