AACRNet：面向遥感图像变化检测的模糊感知优化网络及其在复杂场景下的语义一致性增强研究

本文提出AACRNet（Ambiguity-aware Change Refinement Network），通过时序差异融合模块（TDFM）动态建立时空关系，结合语义聚合模块（SAM）整合全局语义信息，并利用聚焦优化模块（FRM）显式建模模糊区域。该网络在WHU-CD、LEVIR-CD和SYSU-CD数据集上超越现有SOTA方法，有效解决了高相似性背景噪声导致的语义混淆问题，为遥感变化检测（CD）任务提供了更精准的解决方案。

　　

Section snippets

DL-based CD methods

当前变化检测（CD）方法主要分为基于语义分割和基于孪生网络（Siamese Network）的两类架构。基于语义分割的方法将CD任务视为对双时相图像中变化区域的分割，通常通过将双时相图像合并为统一输入，并借助分割网络（如U-Net）进行处理。Daudt等人[19]首次提出了基于全卷积孪生卷积网络的架构，能够从图像对中提取更具抽象性和鲁棒性的层次特征。

Network architecture

如图2所示，提出的AACRNet包含三个核心阶段：特征提取、变化定位和掩模优化。编码器采用预训练的ResNet18双分支结构，从双时相图像中提取多尺度特征（记为X_i和Y_i，其中i=1,2,3,4）。随后，时序差异融合模块（TDFM）在每一尺度上整合双时相特征以捕捉时空变化。语义聚合模块（SAM）进一步聚合多尺度信息，为后续优化提供全局语义引导。

Experiments

本节在三个广泛使用的CD数据集（WHU-CD、LEVIR-CD和SYSU-CD）上系统评估AACRNet性能，并通过消融实验验证各模块对整体模型效果的贡献。

Conclusion

本文提出的AACRNet通过多尺度时空差异分析和自上而下的架构逐步优化变化区域。TDFM模块适应不同成像条件并抑制无关干扰，SAM模块缓解跨尺度语义差异，FRM模块在全局语义引导下显式区分模糊区域中的干扰类型。实验表明，该网络显著提升了复杂场景下的检测精度与鲁棒性。