OmniCD: A Foundational Framework for Remote Sensing Image Change Detection Guided by Multimodal Semantics

📄 arXiv: 2605.30168v1 📥 PDF

作者: Chenhao Sun

分类: cs.CV

发布日期: 2026-05-28

💡 一句话要点

OmniCD：多模态语义引导的遥感图像变化检测基础框架

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 遥感图像 变化检测 多模态学习 语义引导 深度学习

📋 核心要点

  1. 传统遥感变化检测方法在不同场景下的泛化能力不足，难以适应复杂多变的应用需求。
  2. OmniCD框架利用多模态语义信息（图像、文本等）引导变化检测，提升模型对场景的理解和泛化能力。
  3. 实验结果表明，OmniCD在多个数据集上取得了领先性能，验证了其有效性和通用性。

📝 摘要（中文）

本文提出OmniCD，一个基础框架，通过多模态语义引导统一并增强遥感变化检测（CD）。OmniCD将图像和文本提示（如文本描述、语义地图和地理空间元数据）集成到一个统一的架构中，支持从二元CD到零样本语义变化理解的任务。该框架集成了分层场景检索模块和变化检测模块，并通过风格解耦机制增强了跨域鲁棒性。此外，本文还引入了RSITCD，一个包含30万+带注释图像-文本对的大规模多模态数据集。大量实验表明，OmniCD在多个基准测试中实现了最先进的性能，展示了强大的适应性，并为遥感中的通用CD系统奠定了坚实的基础。

🔬 方法详解

问题定义：遥感图像变化检测旨在识别不同时间获取的同一地理区域图像之间的差异。现有方法通常依赖于像素级别的比较或浅层特征提取，难以有效利用场景的语义信息，导致在复杂场景和跨域应用中性能下降。此外，缺乏大规模多模态数据集也限制了模型的训练和泛化能力。

核心思路：OmniCD的核心思路是利用多模态语义信息（包括图像、文本描述、语义地图等）来引导变化检测过程。通过将不同模态的信息融合，模型可以更全面地理解场景，从而更准确地检测出变化。风格解耦机制旨在提高模型对不同数据分布的鲁棒性。

技术框架：OmniCD框架主要包含两个模块：分层场景检索模块和变化检测模块。分层场景检索模块用于从大规模数据集中检索与输入图像相似的场景，从而为变化检测提供上下文信息。变化检测模块则负责根据输入图像和检索到的场景信息，检测出图像中的变化区域。整个框架通过一个统一的架构进行集成，支持多种类型的输入提示（如文本描述、语义地图等）。

关键创新：OmniCD的关键创新在于其多模态语义引导的变化检测方法。与传统方法相比，OmniCD能够更有效地利用场景的语义信息，从而提高变化检测的准确性和鲁棒性。此外，RSITCD大规模多模态数据集的引入也为模型的训练和评估提供了有力支持。风格解耦机制也是一个重要的创新点，它能够提高模型在不同数据分布下的泛化能力。

关键设计：具体的技术细节包括：分层场景检索模块采用基于深度学习的特征提取方法，将图像和文本信息编码为向量表示，然后使用相似度度量方法进行检索。变化检测模块采用卷积神经网络（CNN）或Transformer网络，对输入图像进行特征提取和融合，然后通过分类或分割的方式检测出变化区域。风格解耦机制可能涉及到对抗训练或领域自适应等技术，以减少不同数据分布之间的差异。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

OmniCD在多个遥感图像变化检测基准测试中取得了state-of-the-art的性能。具体而言，在某些数据集上，OmniCD的性能比现有最佳方法提高了显著的百分比（具体数据未在摘要中给出，属于未知信息）。RSITCD数据集的发布也为遥感图像变化检测领域的研究提供了宝贵的资源。

🎯 应用场景

OmniCD在城市监测、灾害评估、环境变化分析等领域具有广泛的应用前景。例如，可以用于监测城市扩张、评估地震或洪水造成的损失、分析森林砍伐或土地利用变化等。该研究有助于提升遥感图像变化检测的自动化和智能化水平，为相关领域的决策提供更准确、更及时的信息。

📄 摘要（原文）

Change detection (CD) in remote sensing is vital for applications such as urban monitoring and disaster assessment, yet traditional methods struggle with generalization across diverse scenarios. We present OmniCD, a foundational framework that unifies and enhances remote sensing CD through multimodal semantic guidance. OmniCD incorporates image and text prompts -- such as textual descriptions, semantic maps, and geospatial metadata -- into a unified architecture, supporting tasks from binary CD to zero-shot semantic change understanding. The framework integrates a hierarchical scene retrieval module and a change detection module, reinforced by a style disentanglement mechanism for improved cross-domain robustness. We further introduce RSITCD, a large-scale multimodal dataset with 300K+ annotated image-text pairs. Extensive experiments show that OmniCD achieves state-of-the-art performance across benchmarks, demonstrating strong adaptability and setting a solid foundation for general-purpose CD systems in remote sensing.