基于风格迁移的异质图像特征对齐变化检测方法

《International Journal of Digital Earth》：Change detection method based on style transfer for heterogeneous image feature alignment

　　

异质图像（heterogeneous images）通常包含由传感器差异、成像条件和几何畸变引起的显著特征差异，导致特征空间不一致性，从而降低变化检测（change detection）性能。为了解决该问题，该论文提出了一种基于风格迁移（style transfer）的特征对齐变化检测框架。研究人员开发了一种风格感知全局-局部网络（style-aware global–local network, SAGLN）以减少风格迁移过程中的信息损失和结构畸变。通过集成多尺度线性注意力（multi-scale linear attention, MSLA）、空间自适应特征调制（spatially adaptive feature modulation, SAFM）和风格-内容特征注意力（style–content feature attention, SCFAM），该网络增强了特征表示，保留了结构信息，并提高了特征空间一致性。利用风格迁移后的图像提取高质量差异图像，从而减少异质特征差异。采用直方图梯度阈值策略（histogram-gradient thresholding, HGT）进行可靠样本选择，随后使用卷积小波神经网络（convolutional wavelet neural network, CWNN）进行精确的变化分类。实验结果表明，所提方法在异质图像变化检测中具有有效性和优越性。

异质图像变化检测（heterogeneous image change detection）是遥感领域基础且具有挑战性的任务。由于不同传感器、成像条件和几何畸变导致光谱响应、纹理分布、空间分辨率等显著差异，直接像素级比较不可靠，易将伪变化误判为真实变化。现有方法主要包括基于分类（如模糊C均值clustering）、基于变换（如深度图像翻译模块）和基于风格迁移（如STCD）三类，但分别存在分类误差累积、变换映射质量依赖及结构失真与特征残留等问题。为克服这些局限，该研究发表在《International Journal of Digital Earth》的论文提出基于风格迁移的异质图像特征对齐变化检测框架（ST-HIFA），旨在通过减少特征差异并构建一致的特征空间来提高变化检测精度与稳定性。

研究人员提出风格感知全局-局部网络（SAGLN），该网络通过内容损失保持结构信息，通过风格损失嵌入目标域统计特征，并集成多尺度线性注意力（MSLA）、空间自适应特征调制（SAFM）和风格-内容特征注意力模块（SCFAM）实现全局局部协同增强，从而在减少信息损失的前提下实现高质量风格迁移。基于风格迁移后的图像，研究人员采用改进的邻域比法提取差异图像，引入差异放大系数n和非线性幂指数q以增强真实变化响应并抑制噪声。为进一步提升样本选择稳定性，提出直方图梯度阈值法（HGT），联合分析差异图像的统计分布和梯度变化，自适应确定聚类阈值以选取高质量变化与未变化样本。最终使用卷积小波神经网络（CWNN）进行变化分类，该网络结合卷积与多尺度小波表示，学习区分性特征。实验数据来源包括Google Earth、Landsat-5、TerraSAR-X、QuickBird2、Spot及NDVI、Radarsat-2等公开数据集，涵盖多种异质传感器组合。

研究结果围绕以下小标题展开：

**5.1 Comparison of style transfer and corresponding change detection results**
通过与MSGNet和WCT2两种代表性风格迁移方法比较，SAGLN在结构相似性（SSIM）和Bhattacharyya距离两项定量指标上均表现最优，表明其能更好地保留内容结构并传递风格特征。基于SAGLN生成图像的后续变化检测中，Kappa系数分别比MSGNet和WCT2提升5.39%~7.05%（不同风格设置下），验证了高质量风格迁移对特征对齐的有效性。

**5.2 Parameter analysis**
对差异放大系数n（范围1~9）和非线性幂指数q（0.25~1）进行了系统分析。n=1或2时检测性能较差，n>2后显著提升并趋于稳定，因此取n=3。q=0.5时变化区与背景对比最清晰，能有效突出变化信息并抑制背景噪声；q过小（0.25）或过大（0.75、1）均导致检测性能下降，故取q=0.5。

**5.3 Ablation study**
通过5组消融实验验证了不同差异图像构造策略。直接使用原始异质图像（T1, T2）或仅一侧引入风格迁移图像（S3, T2）均存在背景干扰；双侧引入（T1+S3, T2+S3）虽部分减少差异但对比较差。最终采用的组合（T1+S3, (T2+S3)^0.5）在PCC、Kappa和F1上取得最优，同时保持较低的虚警率与漏检率，证明非线性幂指数调制能有效提升差异图像质量。

**5.4 Complexity analysis**
该方法四个阶段复杂度为O(TF_style+2N+F_CWNN)≈O(TF_style+N+F_CWNN)，主要计算开销来自风格迁移（35.68秒）。参数规模15.50M，运行时间53.81秒，低于LPEM（77.59M）但高于CWNN-CD。未来可通过减少迭代次数和GPU加速进一步优化。

讨论部分总结了风格迁移的对比、参数优化、消融验证及复杂度分析，确认SAGLN、HGT及非线性调制等核心组件的有效性。

结论部分翻译如下：该论文提出了一种基于风格迁移的异质图像特征对齐变化检测方法。通过减少特征差异并对齐异质特征空间，所提方法提高了变化检测的准确性和稳定性。基于SAGLN的风格迁移方法能在保留内容结构的同时自适应嵌入风格特征，最小化特征差异的影响并提高特征空间表示的一致性。基于风格迁移后的图像构建高质量差异图像，抑制异质图像特征的干扰并增强变化与未变化像素的区分性。直方图梯度阈值法（HGT）能快速确定合适阈值，从差异图像中选取可靠的变化与未变化样本。此外，利用卷积小波神经网络（CWNN）的多尺度特征提取能力，所提方法有效分类变化与未变化区域。未来工作将聚焦于优化风格迁移中风格与内容特征的保持，并引入更多先验知识以提高模型对复杂变化场景的适应性，同时可进一步探索迭代优化框架以提升变化检测精度和鲁棒性。