特征提取 - Tag - 堂堂一跑堂https://spacetop.win/tags/%E7%89%B9%E5%BE%81%E6%8F%90%E5%8F%96/特征提取 - Tag - 堂堂一跑堂Hugo -- gohugo.iozh-CNkingcopper@whu.edu.cn (WangTong)kingcopper@whu.edu.cn (WangTong)Mon, 01 Jun 2026 12:00:00 +0800扩散模型赋能遥感变化检测：DDPM-CD的创新之路https://spacetop.win/2026/06/20260601_210000_ddpm_cd_change_detection/Mon, 01 Jun 2026 12:00:00 +0800WangTonghttps://spacetop.win/2026/06/20260601_210000_ddpm_cd_change_detection/ 扩散模型赋能遥感变化检测：DDPM-CD的创新之路

论文解读 | WACV 2025 | 2026-06-01

📄 论文信息

项目 内容
标题 Denoising Diffusion Probabilistic Models as Feature Extractors for Change Detection
作者 Wele Gedara Chaminda Bandara, Nithin Gopalakrishnan Nair, Vishal M. Patel
会议 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2025
arXiv https://arxiv.org/abs/2405.17641
GitHub https://github.com/wgcban/ddpm-cd
关键词 遥感变化检测、扩散模型、自监督预训练、特征提取、DDPM

🎯 解决的核心问题

遥感变化检测（Change Detection, CD）是地球观测的核心任务之一，旨在从不同时相的遥感图像中识别地表变化。这项任务在城市规划、环境监测、灾害评估等领域有着广泛应用。

然而，现有的变化检测方法面临一个关键瓶颈：高质量标注数据的稀缺性。标注遥感图像的变化区域需要专业知识和大量时间，这限制了深度学习模型的性能提升。

  1. 监督学习方法的困境：传统的CNN和Transformer方法依赖大量标注数据，但在遥感领域获取标注成本极高
  2. 特征提取的局限性：现有方法通常从头训练模型，无法充分利用海量无标注遥感数据中蕴含的语义信息
  3. 泛化能力不足：在小数据集上训练的模型容易过拟合，泛化到新场景的能力有限

如何利用海量无标注遥感图像提升变化检测模型的特征表示能力？

💡 解决方案

设计动机： 扩散模型（DDPM）在图像生成任务中展现出强大的语义理解能力。作者观察到，预训练的扩散模型在去噪过程中学习到了丰富的图像语义特征，这些特征可以迁移到变化检测任务中。

具体实现：