本研究提出了一种变化适配网络（CANet），旨在解决遥感图像变化检测方法的泛化性能差的问题。CANet结合了共享与特定学习模块，通过轻量级适配器有效应对数据差异，快速适应新任务。实验结果表明，其在多个数据集上表现优异。

本研究解决了城市三维变化检测中多类语义信息提取和变化特征建模的难题。提出的多任务增强跨时间点变换器（ME-CPT）通过建立不同时期点云的时空对应关系和采用注意力机制，有效提取语义变化特征。此外，研究发布了一个22.5平方公里的三维语义变化检测数据集，对提高变化类型的可区分性和缓解样本不平衡具有重要意义。

本研究解决了现有对象级变化检测方法在评估无变化图像对、缺乏对应关系以及在不同领域的零样本泛化能力差等方面的不足。我们提出了一种新颖的方法，通过利用变化对应关系来指导变化检测器，显著提高了其准确性，并在变化检测及变化对应准确性方面实现了最新的技术成果，具有重要的实际应用潜力。

本研究提出了一种密集实例分离方法（DISep），解决了弱监督变化检测中的实例聚合问题。通过三步迭代训练，优化像素特征，提高了变化数量的准确量化，实验结果表明DISep显著提升了多种变化检测方法的性能。

该研究解决了传统多臂老虎机（MAB）算法在非平稳环境下应用的问题，通过分析具有变化点的分段平稳多臂老虎机环境（PS-MAB），提出一种基于变化检测的模块化设计和分析方法。研究结果表明，在特定条件下，可以统一获得不同变化检测器和老虎机算法组合的后悔界限，开发出新的模块化CDB程序，这些程序在性能上具有最优的订单性质。

本研究提出了新模型CCExpert，结合差异感知集成模块与高质量数据集CC-Foundation，显著提升了遥感图像变化检测的性能，展现出巨大潜力。

CDXFormer是一种新方法，利用扩展长短期记忆（XLSTM）提升遥感变化检测的准确性和效率。该方法通过特征增强层结合线性计算复杂性，解决了性能与效率之间的平衡问题。实验证明，CDXFormer在多个基准数据集上表现优异，具有重要的实际应用价值。

本研究提出了变化检测问答与基础定位（CDQAG）任务，并构建了首个基准数据集QAG-360K，旨在解决遥感变化检测方法与用户互动的问题，展现了良好的应用潜力。

本研究解决了现有视觉-语言模型在捕捉地理景观时间动态方面的不足。通过引入一个标注的视频帧对数据集，并应用低秩适应等微调技术，本论文显著提升了模型在处理遥感时间变化的效果。研究结果表明，改进后的模型在描述土地利用变化的准确性方面优于现有方法。

本研究提出了一种名为KQT-EWMA的算法，用于实时检测多变量数据流中的变化。该算法结合内核量化树和指数加权移动平均，能够在低误报率下实现快速检测，具有高灵活性和实用性。

本文研究了模型参数数量增加对遥感领域物体检测和语义分割性能的影响，提出了一种基于视觉变换器的有效方法，并综述了深度学习在遥感变化检测中的重要性。研究展示了基于万能基础模型的变化检测框架及其潜力，通过实验验证了新方法在多个数据集上的优越性能，强调了自监督学习对模型性能提升的关键作用。

本文介绍了多种基于神经辐射场（NeRF）的方法，如NeRF-ID、Block-NeRF和Aug-NeRF，旨在提高视图合成质量和渲染效率。研究提出了适应性多NeRF和ProNeRF等新技术，显著提升了渲染速度和质量，能够处理复杂场景和动态变化，展示了在3D场景生成和变化检测方面的最新进展。

本研究提出了一系列基于遥感影像的变化检测方法，强调特征差异的重要性。通过合成数据训练的模型和新数据集ChangeNet，显著提高了变化检测的准确性和效率，克服了传统方法的局限性。此外，研究还开发了无训练的检测方法和通用框架，展示了在复杂环境中的优越性能。

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。

本文提出多种基于深度学习的变化检测方法，包括半监督式方法、异常分割模型和无监督变化检测框架PUCD，旨在提高遥感图像分析的准确性和效率。这些方法在不同数据集上表现出优越的性能，适用于气候变化监测和灾害响应等领域。

该研究探讨了多种时间感知的语言模型，如Transformer-XL和TempoBERT，旨在捕捉语言的时间演变和上下文信息。研究通过引入新机制和模型，在语义变化检测和时间序列数据处理上取得显著进展，提升了模型的准确性和效率。

本文综述了深度学习在遥感变化检测中的应用，重点介绍了基于扩散模型的高光谱图像变化检测方法及其优越性能。研究提出了CADM和ChangeAnywhere等新模型，显著提高了变化检测的准确性和鲁棒性，展示了扩散模型在图像生成和处理中的潜力，为未来研究指明了方向。

本文介绍了一种基于循环卷积神经网络的变化检测方法，能够联合学习多光谱图像的空间、谱域和时间特征，提升检测效果。该方法具备端到端训练和自适应学习时间依赖性，实验结果显示其在多时相遥感图像分析中的优越性。