ChangeAnywhere: Sample Generation for Remote Sensing Change Detection via Semantic Latent Diffusion Model

远程感知变化检测（CD）是一种基于多时相图像准确定位全球范围内变化的关键技术。随着深度学习的不断发展，有监督的基于深度学习的CD模型已经显示出令人满意的性能。然而，CD样本标注非常耗时，因为它需要密集标注和专业知识。为了缓解这个问题，我们引入了ChangeAnywhere，一种使用语义潜在扩散模型和单时相图像的新型CD样本生成方法。具体而言，ChangeAnywhere利用获取大型单时相语义数据集的相对容易性，生成大规模、多样化和语义注释的双时相CD数据集。ChangeAnywhere捕捉了CD样本的两个关键要素，即变化意味着语义上的不同，而非变化则意味着在相同的语义约束下合理的变化。我们基于所提出的方法生成了ChangeAnywhere-100K，这是最大的合成CD数据集，包含100,000对CD样本。ChangeAnywhere-100K在两个CD基准数据集上显著提高了各种基于深度学习的CD模型的零样本和少样本性能，如转移实验所示。本文勾画了ChangeAnywhere在CD样本生成方面的巨大潜力，并证明了模型性能的后续提升。因此，ChangeAnywhere为远程感知CD提供了一个强大的工具。所有代码和预训练模型将可在https://github.com/tangkai-RS/ChangeAnywhere获得。

论文旨在解决遥感变化检测中标注样本耗时且需要专家知识的问题，提出了一种新的样本生成方法。

论文提出的样本生成方法ChangeAnywhere利用单时相语义数据集生成大规模、多样化、语义注释的双时相变化检测数据集，通过传递学习模型实现。该方法捕捉了变化意味着语义上的不同，而非变化意味着在相同语义约束下的合理变化这两个关键点。

论文生成了目前最大的100,000对遥感变化检测数据集ChangeAnywhere-100K，并在两个变化检测基准数据集上进行了迁移实验，证明了ChangeAnywhere的潜力和对模型性能的提升。论文提供了代码和预训练模型。

在遥感变化检测领域，最近的相关研究包括：1.《A Survey of Deep Learning-Based Change Detection in Remote Sensing》；2.《Change Detection in Remote Sensing Images Using Conditional Generative Adversarial Networks》；3.《Change Detection in Multispectral Imagery Using Deep Convolutional Neural Networks: A Comparison of Pretrained and Untrained Networks》。