UniChange：基于多模态大语言模型的统一变化检测框架
计算机视觉与模式识别
2025-11-27 v2 计算与语言
摘要
变化检测（Change Detection, CD）是监控和分析土地覆盖动态的基本任务。尽管最近的高性能模型和高质量数据集显著推进了该领域，但仍存在一个关键局限性。当前模型通常只能从单一类型标注数据中获取有限知识，无法同时利用多样化的二元变化检测（Binary Change Detection, BCD）和语义变化检测（Semantic Change Detection, SCD）数据集。这一限制导致模型泛化能力差且应用局限。近期多模态大语言模型（Multimodal Large Language Models, MLLMs）的发展为统一的变化检测框架带来了新的可能性。我们利用 MLLM 的语言先验和统一能力开发了 UniChange，即首个基于 MLLM 的统一变化检测模型。UniChange 将生成式语言能力与专门的变化检测功能相结合。我们的模型通过引入三个特殊标记 [T1]、[T2] 和 [CHANGE] 成功统一了 BCD 和 SCD 任务。此外，UniChange 利用文本提示引导变化类别的识别，消除了对预定义分类头的依赖。这种设计使 UniChange 能够有效地从多来源数据集中获取知识，即使这些数据集的类别定义存在冲突也是可以的。在四个公开基准测试（WHU-CD、S2Looking、LEVIR-CD+ 和 SECOND）上的实验结果显示，UniChange 实现了 SOTA 性能，分别达到 90.41、53.04、78.87 和 57.62 的 IoU 分数，超越了所有以往方法。代码已公开于 https://github.com/Erxucomeon/UniChange。
引用
@article{arxiv.2511.02607,
title = {UniChange: Unifying Change Detection with Multimodal Large Language Model},
author = {Xu Zhang and Danyang Li and Xiaohang Dong and Tianhao Wu and Hualong Yu and Jianye Wang and Qicheng Li and Xiang Li},
journal= {arXiv preprint arXiv:2511.02607},
year = {2025}
}