UniRoute：面向模态自适应遥感变化检测的统一路由混合专家模型
计算机视觉与模式识别
2026-01-22 v1
摘要
当前的遥感变化检测（CD）方法主要依赖专用模型，这限制了对模态自适应地球观测的可扩展性。对于同质 CD，精确的边界描绘依赖细粒度的空间线索和局部像素交互；而异质 CD 则需要更广泛的上下文信息来抑制散斑噪声和几何畸变。此外，差分算子（如减法）对已对齐的同质图像效果良好，但在跨模态或几何未对齐场景中会引入伪影。在不同的模态设置下，基于静态骨干网络或固定差分操作的专用模型往往显得不足。为应对这一挑战，我们提出 UniRoute，一个通过将特征提取和融合重新表述为条件路由问题来实现模态自适应学习的统一框架。我们引入了自适应感受野路由混合专家模块（AR2-MoE）以将局部空间细节与全局语义上下文解耦，以及模态感知差分路由混合专家模块（MDR-MoE）以在每个像素处自适应选择最合适的融合原语。此外，我们提出了一种一致性感知自蒸馏（CASD）策略，通过强制多层级一致性来稳定数据稀缺异质设置下的统一训练。在五个公开数据集上的大量实验表明，UniRoute 取得了强劲的整体性能，并在统一部署设置下实现了良好的精度与效率的权衡。
引用
@article{arxiv.2601.14797,
title = {UniRoute: Unified Routing Mixture-of-Experts for Modality-Adaptive Remote Sensing Change Detection},
author = {Qingling Shu and Sibao Chen and Wei Lu and Zhihui You and Chengzhuang Liu},
journal= {arXiv preprint arXiv:2601.14797},
year = {2026}
}