DC-Mamba: Bi-temporal deformable alignment and scale-sparse enhancement for remote sensing change detection

📄 arXiv: 2509.15563v1 📥 PDF

作者: Min Sun, Fenghui Guo

分类: cs.CV

发布日期: 2025-09-19

💡 一句话要点

DC-Mamba：遥感影像变化检测中，通过可变形对齐与尺度稀疏增强提升性能

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting)

关键词: 遥感影像变化检测 可变形卷积 状态空间模型 几何对齐 尺度稀疏 特征增强 ChangeMamba

📋 核心要点

  1. 现有遥感影像变化检测方法难以有效处理几何错位问题，且易受噪声干扰，导致检测精度受限。
  2. DC-Mamba采用“对齐-然后-增强”策略，先通过BTDA校正几何错位，再用SSCA增强变化信号并抑制噪声。
  3. 实验结果表明，DC-Mamba显著优于ChangeMamba基线，F1分数和IoU分别提升至0.5903和0.4187。

📝 摘要（中文）

遥感影像变化检测（RSCD）对于识别地表覆盖变化至关重要。现有方法，包括最先进的状态空间模型（SSMs），通常缺乏处理几何错位的显式机制，并且难以区分细微的真实变化与噪声。为了解决这个问题，我们提出了DC-Mamba，一个基于ChangeMamba主干的“对齐-然后-增强”框架。它集成了两个轻量级的即插即用模块：（1）双时相可变形对齐（BTDA），它显式地引入了几何感知来校正语义特征级别的空间错位；（2）尺度稀疏变化放大器（SSCA），它使用多源线索来选择性地放大高置信度的变化信号，同时在最终分类之前抑制噪声。这种协同设计首先通过BTDA建立几何一致性以减少伪变化，然后利用SSCA来锐化边界并增强小目标或细微目标的可见性。实验表明，我们的方法显著提高了相对于强大的ChangeMamba基线的性能，F1分数从0.5730提高到0.5903，IoU从0.4015提高到0.4187。结果证实了我们的“对齐-然后-增强”策略的有效性，提供了一种稳健且易于部署的解决方案，透明地解决了RSCD中的几何和特征级别挑战。

🔬 方法详解

问题定义：遥感影像变化检测旨在识别不同时相遥感图像中地物变化区域。现有方法，特别是基于深度学习的方法，在处理由于传感器视角、地形起伏等因素造成的几何错位问题时表现不足，容易将错位引起的差异误判为真实变化。此外，遥感图像中存在大量噪声，如何有效区分真实变化信号与噪声干扰也是一个挑战。

核心思路：DC-Mamba的核心思路是首先通过双时相可变形对齐（BTDA）模块显式地校正几何错位，从而减少伪变化；然后，利用尺度稀疏变化放大器（SSCA）模块，选择性地放大高置信度的变化信号，同时抑制噪声，从而提高变化检测的准确性。这种“对齐-然后-增强”的策略旨在分别解决几何错位和噪声干扰这两个关键问题。

技术框架：DC-Mamba建立在ChangeMamba主干网络之上，整体框架包含以下几个主要步骤：1. 输入双时相遥感影像；2. 使用ChangeMamba提取特征；3. 通过BTDA模块进行双时相特征的几何对齐；4. 利用SSCA模块增强变化信号并抑制噪声；5. 进行最终的变化分类。BTDA和SSCA是两个即插即用模块，可以方便地集成到现有的变化检测框架中。

关键创新：DC-Mamba的关键创新在于提出了BTDA和SSCA两个模块，并将其集成到“对齐-然后-增强”的框架中。BTDA通过引入可变形卷积，显式地建模了几何变换，从而能够有效地校正几何错位。SSCA则利用多源线索，自适应地调整不同尺度特征的权重，从而能够选择性地放大高置信度的变化信号，同时抑制噪声。与现有方法相比，DC-Mamba更加关注几何错位和噪声干扰这两个关键问题，并提出了针对性的解决方案。

关键设计：BTDA模块使用可变形卷积来学习双时相特征之间的几何变换。可变形卷积的偏移量是通过一个轻量级的网络预测得到的。SSCA模块使用多源线索（例如，不同尺度的特征响应、空间上下文信息）来计算每个特征的权重。这些权重用于自适应地调整特征的幅度，从而实现变化信号的放大和噪声的抑制。损失函数采用标准的交叉熵损失函数，用于监督变化分类的结果。

📊 实验亮点

实验结果表明，DC-Mamba在遥感影像变化检测任务中取得了显著的性能提升。与强大的ChangeMamba基线相比，DC-Mamba的F1分数从0.5730提高到0.5903，IoU从0.4015提高到0.4187。这些结果验证了DC-Mamba的有效性，证明了“对齐-然后-增强”策略在遥感影像变化检测中的优势。

🎯 应用场景

DC-Mamba在遥感影像变化检测领域具有广泛的应用前景，可用于城市扩张监测、自然灾害评估、森林砍伐监测、农作物生长监测等地物变化分析。该方法能够有效提高变化检测的准确性和鲁棒性，为相关领域的决策提供更可靠的信息支持，具有重要的实际应用价值和未来发展潜力。

📄 摘要（原文）

Remote sensing change detection (RSCD) is vital for identifying land-cover changes, yet existing methods, including state-of-the-art State Space Models (SSMs), often lack explicit mechanisms to handle geometric misalignments and struggle to distinguish subtle, true changes from noise.To address this, we introduce DC-Mamba, an "align-then-enhance" framework built upon the ChangeMamba backbone. It integrates two lightweight, plug-and-play modules: (1) Bi-Temporal Deformable Alignment (BTDA), which explicitly introduces geometric awareness to correct spatial misalignments at the semantic feature level; and (2) a Scale-Sparse Change Amplifier(SSCA), which uses multi-source cues to selectively amplify high-confidence change signals while suppressing noise before the final classification. This synergistic design first establishes geometric consistency with BTDA to reduce pseudo-changes, then leverages SSCA to sharpen boundaries and enhance the visibility of small or subtle targets. Experiments show our method significantly improves performance over the strong ChangeMamba baseline, increasing the F1-score from 0.5730 to 0.5903 and IoU from 0.4015 to 0.4187. The results confirm the effectiveness of our "align-then-enhance" strategy, offering a robust and easily deployable solution that transparently addresses both geometric and feature-level challenges in RSCD.