HiCD：通过分层相关性蒸馏进行质量多变图像的变化检测

先进的变化检测技术主要针对质量相等且较高的图像对。然而，成像条件和平台的差异经常导致图像对质量截然不同：一张图像高质量，而另一张低质量。这些图像质量的差异给图像对的语义理解和变化特征提取带来了重大挑战，最终导致性能显著下降。为应对这一挑战，我们引入了一种基于知识蒸馏的创新训练策略。其核心思想是利用从高质图像对中获得的任务知识，指导模型在处理质量存在差异的图像对时的学习过程。此外，我们开发了一种分层相关性蒸馏方法（涉及自相关、互相关和全局相关）。该方法迫使学生模型复制教师模型中固有的相关性，而非仅关注单个特征。这确保了有效的知识转移，同时保持了学生模型的训练灵活性。