ChangeViT：释放朴素视觉Transformer在遥感图像变化检测中的潜力

本文提出ChangeViT框架，创新性地采用朴素视觉Transformer（ViT）作为主干网络，结合细节捕捉模块（Detail-Capture Module）和特征注入器（Feature Injector），有效整合高维语义特征与细粒度空间信息，在遥感图像变化检测中实现跨尺度性能突破，在LEVIR-CD、WHU-CD等数据集上达到state-of-the-art（SOTA）水平。

　　

亮点（Highlights）

• 我们深入研究了朴素ViT的性能，发现其在检测大规模变化方面的优势。基于这一发现，我们提出ChangeViT——一个以朴素ViT为核心特征提取器的简洁高效变化检测框架。

• 为增强多尺度变化检测能力，我们集成细节捕捉模块（Detail-Capture Module）以弥补ViT在小目标检测中的不足，并通过特征注入器（Feature Injector）将细节特征与ViT的高维特征融合，确保模型具备全面的特征表征能力。

• ChangeViT在LEVIR-CD、WHU-CD、CLCD和OSCD四个主流数据集上达到业界最优性能，充分证明方法的优越性。详尽的定量与定性分析验证了所提模块的有效性。

proposed method（方法论）

图2展示了整体架构，该框架通过融合高层语义理解与细粒度细节提取，解决双时相遥感图像的变化检测难题。给定输入图像I₁∈R^H×W×3和I₂∈R^H×W×3，系统并行通过视觉Transformer（ViT）和细节捕捉模块处理。ViT提取高层语义特征F_V^t∈R^{H/16×W/16×C₄}（t∈{1,2}），其蕴含的全局语义模式对识别大规模变化至关重要。

Experiments（实验验证）

我们在三个高分辨率数据集（LEVIR-CD、WHU-CD、CLCD）和一个低分辨率数据集（OSCD）上开展广泛实验。为深入理解ChangeViT各组件的作用，第4.5节进行了详尽的诊断性实验（除非特别说明，高分辨率实验均采用ChangeViT-S架构）。

Limitation and Discussion（局限与讨论）

尽管ChangeViT在四大基准测试中表现卓越，仍存在若干局限：其一，其在高级差分特征建模和解码器设计方面的潜力尚未充分挖掘；其二，尽管通过细节捕捉模块和特征注入器有效整合空间信息，但其在极端尺度变化场景下的适应性仍需进一步验证。

Conclusion（结论）

本研究提出的ChangeViT框架，成功利用朴素视觉Transformer（ViT）作为主干网络实现遥感影像中的大规模变化检测。通过细节捕捉模块与特征注入器的协同作用，实现了细粒度空间细节与高层语义表征的无缝融合。在四个基准数据集上的实验表明，ChangeViT全面超越现有分层模型。