Feature Manipulation for DDPM based Change Detection

基于去噪扩散模型的特征操作变化检测

文章提出了一种基于去噪扩散概率模型（DDPM）的特征操作变化检测方法。变化检测是计算机视觉中的经典任务，涉及分析不同时间捕获的图像对，以识别场景中的重要变化。现有基于扩散模型的方法主要关注提取特征图，而本文的方法专注于操作扩散模型提取的特征图，使其在语义上更有用。文章提出了两种方法：特征注意力（Feature Attention）和流对齐融合（Flow Dual-Alignment Fusion, FDAF）。在LEVIR-CD数据集上，带有特征注意力的模型实现了最先进的F1分数（90.18）和IoU（83.86）。

文章贡献：

提出了两种新的特征操作机制：特征注意力和FDAF，以增强模型的性能。

展示了扩散模型在遥感变化检测中的适用性和潜在好处。
通过实验验证了提出方法的有效性，并在LEVIR-CD数据集上取得了先进的性能。

方法

• 特征注意力（Feature Attention）：通过学习双特征图之间的相互关系来增强变化检测的效果。
• 流对齐融合（FDAF）：旨在通过图像配准和融合机制来减少环境噪声的影响，提高变化检测的清晰度。
  在进行变化检测时，算法需要能够准确识别出图像中真实有意义的变化，比如建筑物的新增或土地使用的变化，