摘要
不同采集日期之间的外观差异会使得在未变化位置产生增大的变化响应。对增强样本对进行的标准监督无法显式地隔离出这部分额外响应。我们将输入级别的反事实响应定义为：在同一固定EMA教师模型下、针对同一像素，当原始时间二图像被替换为指定的外观干预时所产生的logit差值。这种成对的模型响应将场景几何、标签、教师模型参数以及算子实现均固定不变；它并非对物理采集过程的因果重构。我们提出了具有参考预测保持的反事实误报挖掘方法（CFPM-RP）。通过指数移动平均（EMA）教师模型，对原始样本对与经过受控外观变换的样本对进行比较。在稳定的未变化区域内，logit增量为正的样本定义候选位置。一种平滑的单侧损失函数用于惩罚扰动后的学生模型响应相对于原始教师模型预测的偏差，并结合辅助支持加权、分割监督以及变化区域约束。辅助通路仅在训练阶段使用，从而保持部署检测器的架构不变。实验涵盖LEVIR-CD、WHU-CD和SYSU-CD三个数据集、八种外观扰动、等预算的续训方案、八种额外对比方法以及第二种骨干网络。CFPM-RP在三个数据集上分别取得了91.444%、71.181%和77.842%的扰动平均F1值。与Generic-FT相比，误报数量分别减少了10.37%、11.15%和11.27%。实验结果表明，CFPM-RP在保持具有竞争力的变化检测性能的同时，有效降低了由外观差异引起的误报。
