Foggy-UAVCD与DSRF-Net：在雾天环境下降级条件下，对卫星与无人机变化检测算法的鲁棒性进行基准测试

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Foggy-UAVCD and DSRF-Net: Benchmarking robust satellite–UAV change detection under fog degradation

　　摘要
利用多模态遥感数据进行协同观测对于快速地理监测至关重要。然而，获取大规模多模态数据集仍然是一个重大挑战。虽然合成孔径雷达（SAR）常用于全天候监测，但其固有的斑点噪声和有限的语义解释能力限制了其在细粒度变化检测（CD）中的应用。相比之下，无人机（UAV）图像具有更好的空间分辨率和灵活的部署能力，但其光学传感器对恶劣天气非常敏感。在实际的应急响应中，雾气会显著降低能见度并引入伪变化，这在理想实验室环境和现实世界部署之间存在差距。为了解决这些挑战，我们首先构建了Foggy-UAVCD，这是一个专门为雾天条件下的SAT-UAV CD设计的新型异构基准数据集。通过模拟可控的雾气引起的能见度降低，该数据集成为评估跨模态几何对齐和稳健特征提取的专用基准。此外，我们提出了双阶段校正与融合网络（DSRF-Net），这是一种轻量级但稳健的架构。具体来说，跨模态特征校正（CFR）模块利用卫星先验来抑制雾气引起的噪声，而双域融合上采样器（DDFU）模块用于恢复高频边界细节。在Foggy-UAVCD和HTCD数据集上的实验结果表明，DSRF-Net在准确性和效率之间取得了有竞争力的平衡，仅需要3.43 M个参数和1.84 G次浮点运算（FLOPs），表明其在恶劣天气下的遥感分析具有潜力，但仍需要在更广泛的地理区域、气候区和季节条件下进行进一步验证。代码和数据集将发布在https://github.com/xiaobing-min/DSRFNet。

引言
遥感变化检测（RSCD）是地球观测中的基础技术，旨在通过分析多时相图像来识别和量化地表动态（L. Li等人，2025年）。它为各种社会经济应用提供了不可或缺的支持。在城市规划中（Khelifi和Mignotte，2020年），RSCD能够系统地跟踪城市扩张和土地利用变化。在灾害管理中，它提供了快速的宏观损害评估和应急响应。在环境保护中，它有助于长期监测生态变化。
随着深度学习的进步，连体编码器-解码器架构（Caye Daudt等人，2018年；Chen等人，2022b年；Lei等人，2023年；Li等人，2023年；Noman等人，2024年；Shu等人，2024年；Shu等人，2026年）已成为主流。它们使用权重共享编码器从双时相图像中提取深度特征，然后进行特征比较和解码，显著提高了CD的自动化和准确性。然而，大多数现有方法依赖于单模态输入（Lebedev等人，2018年；Ji等人，2018年；Chen和Shi，2020年；Shi等人，2021年）和理想的成像条件。单模态研究的优势在最近的一篇综合综述中得到了定量证明（Jiang等人，2024年）。虽然RSCD的年发表论文数量已达到约3000篇，但专注于异构数据的研究仅占其中的大约2.1%。这一假设与现实世界的应急响应情况不符，因为在实际情况下，卫星（SAT）的采集受到 revisit周期和轨道计划的限制。最近，使用多源遥感数据进行协同观测，即多模态变化检测（MCD），已成为地球观测中的一个重要范式（Jiang等人，2020年）。虽然现有研究探索了光学-SAR融合（Zhang等人，2022a年；H. Chen等人，2023年；Jing等人，2025年）等组合，但这些方法在细粒度监测方面面临固有的挑战。尽管SAR图像具有不受天气影响的感知能力，但它受到斑点噪声和几何畸变（例如，重叠和阴影）的影响，并且通常缺乏用于精确城市损害评估的直观语义细节。为了满足应急响应的紧迫时间要求，利用无人机（UAV）作为补充感测平台是一个更加实用的替代方案。UAV提供超高的空间分辨率，能够在事件发生后获取丰富的纹理和结构细节。因此，将历史SAT档案与事件后的UAV观测结合起来，形成了一个自然且富有前景的异构环境，适用于实际的CD。

与侧重于协调不同成像物理的光学-SAR CD不同，异构SAT-UAV CD面临着极端分辨率差异和复杂视角错位的独特挑战。目前，这一专门领域的研究正在蓬勃发展。HTCD数据集（Shao等人，2021年）通过提供高分辨率的SAT-UAV对率先开启了这一领域，尽管仅限于单一地理区域。最近，Wang引入了MAHCD数据集（F. Wang等人，2025年），这是第一个大规模的多区域基准数据集，显著提高了场景泛化能力。方法上，最先进的方法（SOTA）如SUNet（Shao等人，2021年）使用静态边缘先验，而CDSA-FA（F. Wang等人，2025年）采用跨域语义对齐来弥合模态差距。然而，这些专门的SAT-UAV基准数据集存在一个关键缺陷：它们都是在理想化的晴朗天空条件下策划的。然而，雾和霾等大气特征是标准模型无法抑制的伪变化的主要来源。为了弥合实验室环境和现实世界部署之间的差距，我们引入了Foggy-UAVCD，这是一个针对雾天能见度降低条件下的SAT-UAV CD设计的新型异构基准数据集。与在理想条件下策划的现有数据集不同，Foggy-UAVCD明确模拟了不对称的降级环境（清晰的SAT对比雾中的UAV），这种情况在现实世界部署中经常发生。如表1所示，Foggy-UAVCD通过使系统评估伪变化抑制和边界鲁棒性，在恶劣大气条件下补充了当前的基准。

除了能见度降低外，准确的边界恢复和伪变化抑制变得更加具有挑战性。由于重复下采样，深度网络不可避免地会丢失空间细节；同时，雾气会抑制高频边界线索，并引入可能被误认为是变化的空间变化低对比度伪影。现有方法在这样的条件下常常会退化。基于卷积神经网络（CNN）的CD模型（Z. Li等人，2022年；Lei等人，2023年；Jiang和Wu，2025年）严重依赖局部强度梯度和纹理一致性，当天气散射平滑了细粒度线索时，这些方法变得不可靠。基于Transformer或Mamba的方法（Chen等人，2022b年；Bandara和Patel，2022年；Noman等人，2024年；H. Chen等人，2024年）虽然在建模全局上下文中有效，但可能对雾引起的扰动敏感，这些扰动会扭曲注意力响应或状态空间轨迹。此外，异构MCD方法通常是在假设两种模态都在相对清晰的条件下获取的情况下开发的。例如，AFENet（Pu等人，2024年）采用对抗性域适应来减少模态差异，并通过多流特征整合来提高融合效果，而M2CD（Liu等人，2025年）引入了专家混合和自蒸馏来更好地建模多样化的跨模态特征分布。然而，当面临不对称降级（即清晰的SAT对比雾中的UAV）时，雾引起的伪影可能会主导降级模态，破坏分布对齐或专家路由，导致严重的伪变化和负向转移。虽然加入重型恢复组件可能缓解部分降级，但这样的设计会导致高昂的计算成本，这与实时边缘部署的效率要求相冲突（Guo等人，2022年；Kulkarni和Murala，2023年；Yuan等人，2023年；Su等人，2025年）。

为了应对上述挑战，我们提出了双阶段校正与融合网络（DSRF-Net），这是一个为雾天SAT-UAV CD量身定制的稳健且轻量级的框架。为了平衡检测准确性和计算效率，DSRF-Net基于轻量级的MobileNetV2（Sandler等人，2018年）骨干构建。然而，由于通用骨干通常容易受到大气噪声和跨模态差异的影响，我们通过两个特定于任务的设计增强了框架的鲁棒性。具体来说，（1）为了处理清晰卫星和雾中UAV图像之间的不对称降级，我们开发了跨模态特征校正（CFR）模块。CFR的必要性在于它能够利用清晰的SAT特征作为动态空间先验，通过统计对齐和内容引导的过滤来主动校准受污染的UAV特征。通过在变化检测阶段之前校正特征，我们显著降低了模型将大气噪声误解为语义变化的风险。（2）为了解决雾的低通过滤效应引起的边界模糊，我们基于新型双域融合上采样器模块（DDFU）设计了空间-频率融合解码器（SFFD）。由于雾严重衰减了难以在空间域单独恢复的边缘相关的高频信息，DDFU结合了频率域调制机制来专门放大边界线索。结合语义流变形来协调视角引起的错位，这种双域方法确保了即使在低能见度条件下也能重建清晰的建筑轮廓。通过将这些有针对性的设计整合到一个轻量级基础中，DSRF-Net实现了高保真检测，同时不会影响UAV边缘部署所需的效率。如图1所示，这种特定设计在具有挑战性的场景中带来了实质性的改进。虽然竞争方法存在边界模糊和雾引起的伪影问题，但DSRF-Net保持了高结构保真度——恢复了清晰的建筑角（黄色箭头）并有效抑制了伪变化（红色虚线框）。这证实了我们的双阶段策略成功地将提出的架构设计转化为改进的检测鲁棒性。

我们的贡献总结如下：
- 我们引入了Foggy-UAVCD，这是一个新的异构SAT-UAV数据集，专注于雾天能见度降低条件下的建筑CD。Foggy-UAVCD包含7450对共注册和手动注释的图像块，并采用可控的雾合成协议来支持实际场景中的鲁棒性评估。
- 我们提出了DSRF-Net，这是一个用于雾天SAT-UAV CD的轻量级网络。DSRF-Net集成了CFR来利用清晰SAT先验抑制伪变化，并通过基于语义流的对齐和频率域调制解决边界模糊问题，实现了边缘部署的准确性和效率之间的有利平衡。
- 在Foggy-UAVCD和七个其他公共基准数据集（涵盖异构和同质环境）上的广泛实验证明了我们方法的有效性和鲁棒性。DSRF-Net在提出的基准数据集上取得了顶级性能，并在其他公共数据集上也取得了有竞争力的结果。

章节片段
高质量公共数据集是推动深度学习算法发展的基石。RSCD领域已经见证了几项有影响力的基准测试。如表1所示，LEVIR-CD（Chen和Shi，2020年）和WHU-CD（Ji等人，2018年）等基准测试专注于建筑变化，而HRSCD（Caye Daudt等人，2019年）和SECOND（Yang等人，2022年）扩展到了语义类别。然而，它们从根本上受到其对晴朗天空SAT图像（单模态）的依赖限制。

尽管稳健的CD对于紧急响应等时间敏感的任务不可或缺，但大气干扰经常在现实世界部署中降低图像质量。现有的SAT-UAV基准数据集主要限于晴朗天空条件，因此在评估模型在恶劣天气下的鲁棒性方面存在差距。因此，迫切需要包含雾景的数据集。为了弥合这一差距，我们引入了Foggy-UAVCD，这是一个新的SAT-UAV数据集，旨在模拟和...

方法论
为了应对雾天等复杂、恶劣环境中的多模态RSCD挑战，我们构建了一种称为双阶段校正与融合网络（DSRF-Net）的新架构。作为端到端框架，如图6所示，DSRF-Net基于一种设计理念，在编码阶段主动校正特征表示，然后在解码阶段实现精确的特征融合。具体来说，我们的...

公共CD数据集
如表2所示，为了严格评估我们模型的鲁棒性和泛化能力，我们将实验扩展到了七个公共CD数据集，除了我们提出的基准数据集外。
BCD数据集：LEVIR-CD（Chen和Shi，2020年）数据集包含637对分辨率为1,024×1024的高清晰度（VHR）图像，主要关注与建筑相关的变化，如新建建筑。WHU-CD（Ji等人，2018年）数据集包含大量高分辨率航空图像对，总数为32,507...

结论
在本文中，我们解决了恶劣天气条件下的多模态RSCD挑战，重点关注雾干扰和边界恢复。我们引入了Foggy-UAVCD，这是一个包含7450对图像对的基准数据集，模拟了可控的雾天能见度降低。我们提出的DSRF-Net采用了“校正-然后融合”的范式。CFR模块利用清晰的SAT先验来抑制伪变化，而DDFU模块则通过语义流和频率域注意力实现高保真边界...

CRediT作者贡献声明
Xiu-Wen Huang：写作——审阅与编辑，撰写——原始草稿，方法论，形式分析，数据管理。
Qing-Ling Shu：写作——审阅与编辑，撰写——原始草稿，方法论，形式分析，数据管理。
Kai-Xuan Jiang：验证，监督。
Wei Lu：验证，监督。
Si-Bao Chen：软件，资源，项目管理。
Jin Tang：验证，监督。
Bin Luo：验证，监督。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或可能影响本文报告工作的个人关系。

致谢
本工作部分得到了国家自然科学基金企业创新与发展联合基金（编号：...）的支持。本项目得到了中国国家重点基础研究发展计划项目（项目编号：U24A20342）和国家自然科学基金（项目编号：62576006、61976004）的支持。负责人：黄秀文、舒庆玲、蒋凯轩、陆伟、陈思宝、唐晋、罗斌。合作单位包括：安徽大学计算机科学与技术学院信息处理系统（ICSP）教育部重点实验室、安徽省智能信息处理与服务技术（IMIS）实验室以及安徽省多模态认知计算重点实验室。