LDGuid：一种通过潜在差异引导实现鲁棒变化检测的框架
计算机视觉与模式识别
2026-05-18 v1
摘要
现代用于变化检测（CD）的深度学习模型通常难以显式表示与任务相关的语义差异。本文提出了潜在差异引导（LDGuid）框架，该框架显式地学习语义差异并将其注入到变化检测模型中。LDGuid 部署对抗自编码器来实现一个差异嵌入（DE）模块。该 DE 模块通过信息瓶颈方法进行预训练，限制其仅学习事件前后样本之间与任务相关的差异。然后，学习到的潜在差异被用作变化检测模型中的显式引导信号。我们通过将 LDGuid 集成到用于变化检测的 U-Net、BIT 和 AERNet 基线模型中，并在 LEVIR-CD、WHU-CD、SVCD 和 CaBuAr 数据集上进行评估来验证其有效性。实验结果表明，LDGuid 在所有基准测试上都提升了分割性能，在受光谱噪声影响的挑战性设置中增益尤为显著。结果进一步突显了 LDGuid 在融入领域知识（如特定任务的光谱指数）方面的能力。我们的发现表明，语义差异学习可以极大地增强遥感中变化检测的鲁棒性。
引用
@article{arxiv.2605.15582,
title = {LDGuid: A Framework for Robust Change Detection via Latent Difference Guidance},
author = {Jiaxuan Zhao and Ali Bereyhi},
journal= {arXiv preprint arXiv:2605.15582},
year = {2026}
}
备注
Accepted to IGARSS 2026. Code is available at: https://github.com/zjxyoyo/LDGuid