GCD-DDPM:用扩散模型重塑变化检测,精准捕捉细粒度变化

人工智能
GCD-DDPM 提出了一种 基于差分特征引导的去噪扩散概率模型(DDPM) 进行 变化检测(CD) 的方法,采用 生成式方式 直接生成变化检测(CD)图,而非传统的判别式分类方式。

1. 一眼概览

GCD-DDPM 提出了一种 基于差分特征引导的去噪扩散概率模型(DDPM) 进行 变化检测(CD) 的方法,采用 生成式方式 直接生成变化检测(CD)图,而非传统的判别式分类方式。在四个高分辨率遥感数据集上,该方法展现了优越的检测性能。

2. 核心问题

目前主流变化检测(CD)方法大多依赖 CNN 或 Transformer 进行判别式特征学习,但它们在 同时捕获局部细节信息和长距离依赖关系 方面存在局限,导致 变化检测精度不足,尤其是对于 复杂场景的细粒度变化 无法精准捕捉。本文提出 GCD-DDPM,以生成式方法替代判别式方法,通过 迭代推理过程 逐步 生成高质量变化检测图,提高检测精度并抑制噪声。

3. 技术亮点

  • 生成式变化检测框架:提出 GCD-DDPM,利用 DDPM 的 去噪生成能力,逐步优化变化检测结果,相较于判别式方法更能捕捉 微小、复杂和不规则的变化
  • 差分条件编码器(DCE):设计 DCE 提取多层次的变化信息,并将其引入扩散模型的采样过程,以精细捕捉变化区域。
  • 基于噪声抑制的语义增强器(NSSE):通过 自适应频域滤波 降低当前步骤的噪声,提高变化检测的鲁棒性和准确性。

4. 方法框架

GCD-DDPM 采用 扩散模型的前向去噪和反向恢复过程,在此基础上引入 DCE 进行差分信息提取,并结合 NSSE 进行噪声抑制,最终生成精确的变化检测图:

  • 前向扩散过程:对初始 CD 标签添加 逐步增强的高斯噪声
  • 反向去噪过程:通过 神经网络预测噪声 并恢复 CD 图,借助变分推理(VI)进行 自适应校准
  • 差分条件编码器(DCE):从 变化前后图像 提取 多层次差分特征,结合 DDPM 的采样过程 指导 CD 图生成
  • 噪声抑制语义增强器(NSSE):采用 频域自适应滤波 处理 当前步骤的噪声特征,增强 CD 结果。

5. 实验结果速览

GCD-DDPM 在四个高分辨率变化检测数据集(CDD、WHU-CD、LEVIR-CD、GVLM)上进行评测,与多个先进方法(CNN、Transformer、DDPM 变体)对比,表现优越:

• CDD 数据集(季节性变化检测):

a. F1-score 提升至 94.93%,IoU 90.56%,超过 DDPM-CD 和 Transformer 方法。

• WHU-CD 数据集(城市建筑变化检测):

• F1-score 92.54%,IoU 86.52%,精准检测城市建筑变化。

• LEVIR-CD 数据集(建筑变化检测):

• F1-score 90.96%,IoU 83.56%,减少小目标遗漏,提高边界保留能力。

• GVLM 数据集(滑坡检测):

• F1-score 94.02%,IoU 89.09%,显著降低噪声,精准检测复杂地貌变化。

6. 实用价值与应用

GCD-DDPM 在多个关键领域展现潜力

• 城市发展监测:可用于 建筑物新增/拆除监测,助力 城市规划和基础设施建设

• 自然灾害评估:可精准 检测滑坡、洪水、地震等灾害前后的地表变化,为 灾害响应 提供决策支持。

• 生态环境监测:用于 森林砍伐、湿地变化、冰川消融等生态环境变化检测

• 农业与土地利用分析:可 精准分析农田变化、土地退化,提高 农业管理 水平。

7. 开放问题

  • GCD-DDPM 是否可以泛化到其他类型的变化检测任务,如医学影像变化检测?
  • 当前 GCD-DDPM 计算量较大,是否可以引入轻量级架构优化推理速度?
  • 噪声抑制语义增强器(NSSE)能否推广到其他生成模型以提升图像重建效果?
责任编辑:武晓燕 来源: 萍哥学AI
相关推荐

2025-03-03 05:00:00

DiffUCD扩散模型SOTA

2024-06-27 08:00:00

存储数据库细粒度

2010-04-14 11:04:53

Oracle细粒度

2010-04-19 09:35:58

Oracle细粒度

2009-04-16 17:59:25

细粒度权限

2009-10-27 09:31:24

Windows Ser口令策略

2024-04-26 12:13:45

NameNodeHDFS核心

2025-02-18 09:10:00

2018-02-25 04:05:16

2010-04-16 16:39:25

Oracle细粒度

2010-04-22 13:39:31

Oracle细粒度访问

2018-02-07 14:53:42

2023-12-10 15:15:18

开源模型工具

2010-12-30 14:34:43

云计算供应商

2024-09-12 17:14:33

2010-10-20 15:09:05

2022-01-06 09:53:21

机器学习人工智能神经网络

2025-01-27 00:57:43

2022-11-07 12:15:13

开源深度学习

2022-06-27 17:58:42

pwrueBPF工具
点赞
收藏

51CTO技术栈公众号