结论：这一轮值得单独跟踪的是 SST-CD，不是因为它又给变化检测堆了一个复杂网络，而是因为它把“无标签建筑变化检测”从差异图后处理，推进到一个更像论文问题的设定：没有人工变化标注时，能不能用带噪时相差异只监督可靠位置，训练出真正面向建筑变化的检测器。

我按 2026-06-12 17:00 +08 检索公开来源，过滤了 SAR、PolSAR、InSAR、radar-only、microwave-only 和 SAR-optical fusion 项。Earth-OneVision 这类多模态 RS-MLLM 虽然更新更近，但摘要显式覆盖 SAR，因此按本次规则不作为主项。ZODS-RS 和 VecLang 已在前两篇两小时雷达中写过。本篇选择 2026-06-09 提交、2026-06-10 修订的 Spatially Selective Self-Training for Unsupervised Building Change Detection，把它作为“光学双时相建筑变化、无标签自训练、公开 benchmark 可检验”的候选方向。

摘要

SST-CD 关注 unsupervised building change detection，输入是无标签双时相遥感影像，输出是建筑变化 mask。论文指出，许多 label-free 方法遵循 discrepancy-to-mask 范式：先用时相差异、冻结基础模型响应、prompt 输出或后处理得到候选变化图，再直接把它当最终结果。这类方法能避免标注，但没有真正学习一个建筑变化检测器，也容易把光照、季节、配准误差、非建筑变化误判为建筑变化。

SST-CD 的做法是把这些时相差异只当作 candidate pseudo labels，再用 spatially reliable pixels 训练端到端检测器。可靠性由局部一致性标准估计，不稳定区域不参与监督。为减轻噪声伪标签的影响，论文加入轻量 feature adapter 重新校准双时相特征，并用 prototype-based decoder 形成更紧凑的 change/no-change 表示。作者在 LEVIR-CD、WHU-CD、DSIFN-CD 上报告 F1 分别为 83.08%、91.69%、86.60%，超过已有 unsupervised 和 label-free baseline。