Improving Zero-Shot Object-Level Change Detection by Incorporating Visual Correspondence

在可能不同视角的两张图像之间检测物体级别的变化是许多涉及视觉检查或摄像头监控应用的核心任务。现有的变化检测方法存在三个主要局限性：（1）缺乏对不含变化的图像对的评估，导致未报告的假阳性率；（2）缺乏对应关系（即，定位变化前后区域）；以及（3）在不同领域之间的零样本泛化能力较差。为了解决这些问题，我们提出了一种新颖的方法，在训练过程中利用变化对应关系（a）以提高变化检测的准确性，并且在测试时（b）最小化假阳性。也就是说，我们利用监督标签来指示物体的添加或移除位置，从而指导变化检测器，大幅提高了其相对于以往工作的准确性。我们的工作还首次使用估计的单应性和匈牙利算法预测检测到的变化对之间的对应关系。我们的模型在变化检测和变化对应关系的准确性方面均优于现有方法，在分布内和零样本基准测试中均取得了最先进的结果。

该论文旨在解决在不同视角下检测图像间物体级变化的核心问题，特别是现有方法在评估无变化图像对、缺乏对应关系（即定位变化前后区域）以及跨不同领域的零样本泛化能力方面的不足。这是一个重要但尚未完全解决的问题。

关键思路是通过利用变化对应关系来改进变化检测的准确性：(a) 在训练过程中使用监督标签来指导模型学习哪里发生了物体的添加或移除；(b) 在测试时使用这些对应关系来减少假阳性。此外，该方法首次结合了估计的单应性变换和匈牙利算法来预测检测到的变化之间的对应关系，从而提高了准确性和鲁棒性。

亮点包括：1) 提出了一个新颖的方法来预测变化之间的对应关系；2) 在有分布内和零样本基准上均达到了最先进的性能；3) 使用了多种数据集进行验证，并且强调了对无变化图像对的评估以报告假阳性率；4) 论文可能提供了开源代码，使得其他研究人员可以复现实验结果并进一步探索。

最近在这个领域内的相关研究包括：1) 基于深度学习的变化检测方法；2) 利用生成对抗网络（GANs）进行图像修复和变化检测的研究；3) 跨模态变化检测的研究，如视频与图像间的对比。例如，《Change Detection in Remote Sensing Images via Adversarial Networks》和《A Deep Learning Approach for Change Detection in Satellite Images》等论文探讨了类似的问题，但未充分解决本文所指出的三个主要限制。