ROFANet：基于残差偏移驱动的特征对齐网络——解决遥感图像未配准变化检测难题的新突破

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：ROFANet: Residual Offset-Driven Feature Alignment Network for Unaligned Remote Sensing Image Change Detection

本文推荐ROFANet（残差偏移驱动特征对齐网络）为解决未配准双时相遥感图像变化检测（CD）的难题提供了创新方案。研究团队通过残差偏移预测（ROP）实现从粗到精的顶点偏移估计，结合双分支特征校正（DFC）同时校正图像和特征空间关系，在WHU-CD、CDD和LEVIR-CD数据集上显著提升未配准场景下的检测性能（F1-score最高达95.91%），为多源遥感协同观测提供了高效技术支撑。

　　

随着遥感卫星星座技术的快速发展，同一地区不同时相的图像可能来自不同轨道高度和视角的卫星，导致图像间存在空间未配准问题。传统"先配准后检测"的方法不仅效率低下，且配准精度直接影响变化检测结果。现有方法如ChangeRD虽尝试将配准与检测结合，但在细微地物变化（如车辆检测）和偏移量预测精度方面仍存在局限。

为解决这一难题，北京理工大学研究团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》发表论文，提出ROFANet模型。该模型通过残差偏移预测（ROP）模块利用多层级特征实现从粗到精的偏移量预测，显著提升顶点偏移预测精度；同时设计双分支特征校正（DFC）模块，分别对扭曲图像和特征进行透视校正，优化地物空间关系表征。

关键技术方法包括：1）采用三阶段Transformer架构的Siamese特征提取器获取多层级特征；2）ROP模块通过三个偏移预测头分别计算基础偏移（P₁）、第一残差偏移（ΔP₂）和第二残差偏移（ΔP₃），求和得到最终偏移量P=P₁+ΔP₂+ΔP₃；3）DFC模块通过透视变换校正图像（I₁^a）和特征（f_1i^d*），并融合校正后特征；4）使用包含残差偏移预测损失（L_ROP）、图像校正损失（L_IC）和多层级变化检测损失（L_CD）的多任务监督策略。

实验设计与结果分析

研究在WHU-CD、CDD和LEVIR-CD三个公开数据集上验证模型性能，通过随机偏移（-20,20）像素模拟未配准条件。定量结果显示ROFANet在各项指标上均优于对比方法：在WHU-CD数据集上F1-score达到92.29%，比基准模型提升3.97%；在CDD数据集上F1-score为95.91%，较ChangeRD提升0.73%；在LEVIR-CD数据集上F1-score为90.90%。在不同偏移范围（-10,10）至（-60,60）像素的测试中，ROFANet始终保持最优性能。

残差偏移预测有效性验证

ROP模块通过多层级特征逐步细化偏移预测。可视化结果（图4）显示，仅使用高层特征预测的基础偏移只能粗略校正图像轮廓，加入中层和浅层特征预测的残差偏移后，校正精度显著提升。消融实验表明，三阶段偏移预测使CDD数据集上的F1-score从94.21%（仅P₁）提升至95.91%（完整ROP）。

双分支特征校正机制分析

DFC模块通过图像校正和特征校正双分支结构优化空间关系表征。图像校正分支对扭曲图像进行透视变换后重新提取特征，特征校正分支直接对已提取特征进行空间对齐。特征可视化（图17）显示，校正后的T1时相特征能够准确定位变化地物，抑制未配准带来的干扰。消融实验验证双分支融合策略优于单分支，在WHU-CD数据集上比单特征校正分支提升2.36%的F1-score。

模型鲁棒性测试

在不同偏移范围设置下（表IV-VI），ROFANet均保持稳定性能。当偏移范围增至（-60,60）像素时，虽因图像信息丢失导致性能下降，但仍显著优于对比方法。超参数敏感性实验表明λ₁=0.001和λ₂=0.01时模型达到最优平衡。

研究结论表明，ROFANet通过创新性的残差偏移预测和双分支特征校正机制，有效解决了未配准遥感图像变化检测的核心难题。该方法减少了对高精度初始配准的依赖，为多源遥感协同观测提供了端到端解决方案。未来研究方向包括多模态未配准变化检测和模型轻量化设计，以满足洪涝、地震等应急场景的实时处理需求。