论文解读 | arXiv 2024 | 2026-06-01

📄 论文信息

🎯 解决的核心问题

问题背景

遥感变化检测是分析同一区域不同时相图像差异的关键技术，广泛应用于环境监测、城市规划、灾害评估等领域。传统方法依赖人工特征提取，深度学习方法（CNN、Transformer）虽取得显著进展，但存在固有局限：

1. CNN的局限性：感受野有限，难以捕捉长距离依赖关系
2. Transformer的瓶颈：自注意力机制计算复杂度为O(n²)，处理高分辨率遥感图像时计算开销巨大
3. 实时性需求：实际应用中需要快速、准确的变化检测能力

现有方法的局限

• 基于CNN的方法（如SNUNet-CD）：局部特征提取能力强，但全局上下文建模不足
• 基于Transformer的方法（如ChangeFormer）：全局建模能力强，但计算复杂度高，推理速度慢
• 混合方法：结合CNN和Transformer，但架构复杂，难以平衡效率与性能

核心问题提炼

如何设计一个既能保持全局建模能力，又具有线性计算复杂度的高效变化检测架构？

💡 解决方案

核心创新点1：Mamba架构引入遥感变化检测

设计动机： Mamba是状态空间模型（SSM）的最新进展，具有以下优势：

• 线性时间复杂度O(n)，远优于Transformer的O(n²)
• 通过选择性机制实现动态特征筛选
• 硬件感知设计，实际运行效率高

具体实现：