制造噪声：基于潜在空间扰动的无监督遥感变化检测
计算机视觉与模式识别
2026-02-24 v1 人工智能
摘要
遥感无监督变化检测旨在在不依赖训练时标签数据的情况下局部化语义变化。最近的大多数方法要么依赖于训练-free 的冻结基础模型，要么依赖于在像素空间中使用合成变化进行训练。这两种策略本质上都依赖于通过手工规则、外部数据集或辅助生成模型引入的预定义变化类型的假设。由于这些假设，此类方法在仅限于少数变化类型的情形下难以在实际场景中应用，尤其是罕见或复杂情形。为此，我们提出 MaSoN (Make Some Noise)，一个 end-to-end 无监督变化检测框架，在训练期间直接在潜在特征空间中合成多样化的变化。它生成的变化通过目标数据中的特征统计量动态估计，实现与目标域一致的多样化 yet 数据驱动的变体。它还轻松扩展到新模态，如 SAR。MaSoN 在多样化的变化类型上实现了强大的泛化，并在五个基准测试中取得了最新性能，平均 F1 分数提高了 14.1 个百分点。项目页面：https://blaz-r.github.io/mason_ucd
引用
@article{arxiv.2602.19881,
title = {Make Some Noise: Unsupervised Remote Sensing Change Detection Using Latent Space Perturbations},
author = {Blaž Rolih and Matic Fučka and Filip Wolf and Luka Čehovin Zajc},
journal= {arXiv preprint arXiv:2602.19881},
year = {2026}
}