面向通用场景变化检测
内容提要
本文介绍了多种变化检测的新方法，包括单时相监督学习、自我监督学习的目标变化检测和无监督物体发现方法。这些方法利用先进的视觉模型和自适应机制，提高了高分辨率遥感图像和3D变化检测的准确性，展现了在不同应用场景中的有效性。
延伸解读
监督信号来源的多样化趋势
文章汇总的方法显示，变化检测的监督信号正从传统的双时相标注向单时相标注、自监督和零样本方式扩展。STAR利用非配对图像中的对象变化作为监督，GVCD则通过自监督学习构建领域依赖的度量。这些尝试共同指向一个方向：降低对昂贵双时相标注的依赖，同时保持对现实场景的适应能力。
视觉基础模型成为关键推动力
多项工作明确借助视觉基础模型提升变化检测性能。例如，首次将VFMs用于高分辨率遥感图像变化检测，AnyChange在SAM的潜在空间中实现零样本预测，地球观测方法也利用SAM的分割能力检测建筑物消失。这表明基础模型的通用视觉表征正在被迁移到变化检测任务中，并可能改变该领域对标注数据的依赖程度。
从2D到3D与视频的跨维度扩展
文章中的方法不仅限于2D图像对。无监督物体发现方法结合3D变化检测与2D分割，通过图优化提升3D扫描中的检测精度；无需训练的场景变化检测方法则利用跟踪模型处理连续帧，并扩展到视频。这些工作显示变化检测正从静态图像对比走向三维空间和时序视频，以应对更复杂的真实场景。
任务定义与评估的细化
随着应用场景分化，变化检测的任务定义也在细化。地球观测中提出专项变化检测，只关注特定重要变化而忽略其他；GVCD则针对地面视角提出领域依赖的度量问题。AnyChange在SECOND基准上F1超过此前最佳4.4%，并在每图1像素的弱监督下达到可比精度。这些进展提示读者，评估变化检测方法时需注意其针对的任务定义和度量方式。
Q&A
什么是单时相监督学习（STAR）方法？
单时相监督学习（STAR）方法利用非配对图像中的对象变化作为监督信号，能够训练高精度变化检测器。
自我监督学习在变化检测中有什么应用？
自我监督学习方法在日常机器人导航中检测目标变化，验证了其在实际应用中的有效性。
Changes-Aware Transformer (CAT) 是什么？
Changes-Aware Transformer (CAT) 是一种新颖的模型，通过改进差异特征空间中的变化像素，提高变化检测效果。
如何提高高分辨率遥感图像的变化检测？
利用视觉基础模型（VFMs）可以提高高分辨率遥感图像的变化检测，这是首次将VFMs应用于此领域。
Segment Any Change Models（AnyChange）有什么特点？
AnyChange支持零样本变化检测，通过自适应方法和点查询机制实现不同类型变化的检测。
无监督物体发现方法如何提高3D变化检测的准确性？
无监督物体发现方法结合3D变化检测和2D分割任务，利用图优化技术提高3D变化检测的准确性。
