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：面向遥感变化检测，提出双时态可变形对齐与尺度稀疏增强方法

🎯 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: 遥感变化检测 双时态图像 可变形卷积 状态空间模型 几何对齐 特征增强 尺度稀疏 ChangeMamba

📋 核心要点

  1. 现有遥感变化检测方法难以有效处理图像间的几何错位，且易受噪声干扰，导致检测精度下降。
  2. DC-Mamba采用“对齐-然后-增强”策略，先通过几何对齐减少伪变化，再增强真实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分数提升至0.5903，IoU提升至0.4187。

📝 摘要（中文）

遥感变化检测（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）双时态可变形对齐（BTDA），它显式地引入了几何感知以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或细微目标的可见性。实验表明，我们的方法显着提高了相对于强大的ChangeMamba基线的性能，将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，可以透明地解决RSCD中的几何和特征级别挑战。

🔬 方法详解

问题定义：遥感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时表现不佳，容易将错位引起的差异误判为真实变化。此外，微小地物变化易被噪声淹没，导致检测精度下降。

核心思路：DC-Mamba的核心思路是首先通过双时态可变形对齐（BTDA）模块显式地校正两时相图像之间的几何错位，从而减少伪变化。然后，利用尺度稀疏变化放大器（SSCA）模块，根据多源信息选择性地放大高置信度的变化信号，同时抑制噪声，从而增强真实变化的可视性。这种“对齐-然后-增强”的策略旨在提高变化检测的准确性和鲁棒性。

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. 输入两时相遥感图像；2. 使用ChangeMamba提取特征；3. 利用BTDA模块对齐两时相特征；4. 使用SSCA模块增强变化特征；5. 进行最终的变化分类。BTDA和SSCA是两个即插即用模块，可以方便地集成到其他网络中。

关键创新：DC-Mamba的关键创新在于提出了双时态可变形对齐（BTDA）和尺度稀疏变化放大器（SSCA）两个模块。BTDA通过引入几何感知，显式地校正了特征级别的空间错位，这与以往隐式学习几何变换的方法不同。SSCA则利用多源信息，自适应地调整不同尺度变化信号的权重，从而有效抑制噪声，增强微小变化的可视性。

关键设计：BTDA模块采用可变形卷积网络，通过学习偏移量来校正特征的空间错位。SSCA模块利用多尺度特征融合和注意力机制，根据不同尺度特征的重要性自适应地调整其权重。损失函数方面，采用交叉熵损失函数来优化分类结果。具体的网络结构和参数设置在论文中有详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，DC-Mamba在遥感变化检测任务上取得了显著的性能提升。与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“对齐-然后-增强”策略的有效性，并表明DC-Mamba能够有效处理几何错位和噪声干扰，提高变化检测的准确性。

🎯 应用场景

DC-Mamba在遥感变化检测领域具有广泛的应用前景，例如城市扩张监测、自然灾害评估、森林砍伐监测、农业用地变化分析等。该方法能够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。未来，该方法可以进一步推广到其他需要处理几何错位和噪声干扰的图像分析任务中。

📄 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.