基于混合编码器与边缘引导的拉普拉斯金字塔网络在遥感变化检测中的创新研究

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Laplacian Pyramid Network With Hybrid Encoder and Edge Guidance for Remote Sensing Change Detection

　　本文针对遥感变化检测中传统方法在特征提取和边缘细节处理上的不足，提出了一种结合混合编码器、拉普拉斯金字塔特征增强和边缘引导损失的HE-LPNet模型。该模型通过融合CNN的局部归纳偏置和Transformer的远程依赖优势，结合视觉基础模型MobileSAM提升泛化能力，利用拉普拉斯金字塔补充像素级显著特征，并设计加权引导注意力机制精准定位变化区域。在LEVIR-CD、SYSU-CD和SVCD三个高分辨率遥感数据集上的实验表明，该方法在F1、IoU等指标上均优于现有先进方法，尤其擅长处理多尺度变化目标和复杂边界场景，为高精度遥感动态监测提供了新思路。

　　

随着高分辨率遥感技术的快速发展，如何精准捕捉地表动态变化已成为环境监测、灾害评估和城市管理等领域的关键挑战。传统变化检测方法在面对复杂多变的遥感场景时，往往难以兼顾全局语义信息和局部细节特征，尤其对建筑物扩建、农田变迁等多尺度目标的边缘轮廓识别存在明显不足。现有基于卷积神经网络（CNN）的方法虽能提取局部特征，却受限于感受野大小而难以建模长程依赖；而基于Transformer的方法虽擅长全局上下文捕捉，又易忽略空间细节信息。更棘手的是，遥感图像与自然图像存在显著域差异，导致直接应用视觉基础模型（如SAM）时性能下降。这些瓶颈严重制约了高精度变化检测在实际应用中的推广。

为解决上述问题，山东大学研究团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了一项创新研究，提出名为HE-LPNet（Laplacian Pyramid Network with Hybrid Encoder and Edge Guidance）的新型网络架构。该研究通过巧妙融合多种先进技术，在三个权威遥感数据集上实现了突破性性能提升。

研究团队采用的核心技术方法包括：1）设计混合编码器，同步整合CNN的局部特征提取能力、多尺度注意力（MSA）机制和Transformer的远程依赖建模优势，并引入轻量化视觉基础模型MobileSAM增强泛化能力；2）利用拉普拉斯金字塔（LP）分解技术从原始图像中提取多层级高频特征，通过可学习参数自适应增强编码器输出的语义特征；3）在解码器阶段设计加权引导注意力（WGA）模块，依据通道标准差分配空间权重，强化变化区域的聚焦能力；4）构建包含边缘引导损失、二元交叉熵（BCE）损失和Dice损失的混合损失函数，显著提升变化边界的平滑度与准确性。

混合编码器的特征增强效果

通过对比实验发现，仅使用TinyViT或ResNet18作为主干网络时，模型在LEVIR-CD数据集上的F1分数分别降低0.77%和0.67%。而引入MobileSAM预训练权重后，即使不冻结参数进行端到端训练，仍能提升模型泛化能力。多尺度注意力模块（MSA）通过并行的一维卷积和空间膨胀卷积操作，显著补偿了传统卷积与Transformer在通道和空间依赖建模上的不足。

拉普拉斯金字塔的细节补充机制

如图2所示，对输入图像进行拉普拉斯金字塔分解后，高频分量（High¹）中的像素级显著特征与编码器输出特征进行加权融合。消融实验表明，单独使用LP特征增强仅使F1提升0.07%，但与WGA模块结合后，在SYSU-CD数据集上IoU指标提升达1.51%。这验证了LP提供的纹理细节信息需依赖注意力机制进行有效筛选。

加权引导注意力的精准定位

WGA模块通过计算通道标准差生成空间权重映射，使网络更聚焦于变化显著区域。可视化结果显示（图4），经过WGA处理后的特征图噪声显著抑制，变化目标轮廓更加清晰。在SVCD数据集上，该模块帮助模型准确检测出传统方法难以识别的车辆等小尺度变化目标。

边缘引导损失的边界优化作用

通过对比有无边缘引导损失的预测结果（图9）发现，加入该损失函数后变化区域的边界过渡更加平滑。在超参数λ=0.02时，三个数据集的F1分数均达到峰值。结合Dice损失和BCE损失的混合策略，有效缓解了变化检测中正负样本不平衡问题。

研究结论表明，HE-LPNet通过有机整合混合编码器、拉普拉斯金字塔特征增强和边缘优化机制，实现了遥感变化检测性能的显著提升。在LEVIR-CD、SYSU-CD和SVCD数据集上，其F1分数分别达到92.14%、83.73%和97.95%，较主流方法如TLFFNet、ChangeFormer等均有明显优势。该方法尤其擅长处理多尺度变化目标（从车辆到大型农田）和复杂边界场景，为高分辨率遥感图像的自动化分析提供了可靠解决方案。尽管模型在计算复杂度方面尚有优化空间，但其在细节保持和边界精度上的突破，对地质灾害评估、城市扩张监测等实际应用具有重要价值。未来研究方向可集中于轻量化设计和小样本学习，以进一步提升方法的实用性和普适性。