近日，信息工程学院智能计算与农业信息系统学科团队在无监督多模态遥感影像变化检测方向取得重要原创性进展，相关研究成果以Disentangling representation and cross-domain adaptation for unsupervised change detection in multimodal remote sensing images为题，在线发表于遥感与摄影测量领域国际权威期刊 《ISPRS Journal of Photogrammetry and Remote Sensing》。论文第一作者为我院张二磊副教授，硕士研究生李馨宇、宗贺为核心学生作者，西安电子科技大学高原老师、英国罗伯特・戈登大学任金昌教授为共同作者，我校为第一完成单位。

多模态遥感影像变化检测通过融合SAR、光学等不同源、不同时相遥感数据，快速识别地表变化，在灾害应急评估、生态环境监测、国土空间规划等场景具有不可替代的应用价值。然而，多模态影像在成像机理、物理特征、视觉表现上存在显著差异，传统方法难以直接比对；现有无监督方案多依赖一对一模态映射或固定相似性度量，在变化区域占比高、域差异大的真实场景中精度受限、泛化性不足。

针对上述关键难题，团队提出一种全新的无监督解耦表征与非配对域自适应框架，首次将解耦表征与非配对域自适应学习系统性引入无监督多模态变化检测任务。该框架将原始影像解耦为模态专属风格表征与模态不变内容表征，通过风格滤波器实现灵活的多对一和一对多模态映射，摆脱对配对数据与不变区域的依赖；通过内容域对齐与最大结构投影优化，实现跨模态内容直接可比，精准捕捉真实变化信息。团队进一步设计混合损失函数与动态变化掩码更新策略，在保留地物结构完整性的同时，增强模型对域差异与变化比例的鲁棒性。在五个国际公开多模态数据集上的综合实验表明：DRUA 平均总体精度OA达96%、平均F1分数0.79、平均 Kappa 系数0.77。各项核心指标全面超越十种当前主流方法，较次优方法OA提升约2%、F1提升0.18、Kappa提升0.19，在高变化比例、弱结构、大域差异等复杂场景下优势尤为显著。

该研究首次从“解耦—对齐—自适应”的全新视角，系统解决了无监督多模态变化检测中模态差异大、标签缺失、变化信息难以利用的核心瓶颈，为灾害快速评估、大范围环境监测等实际应用提供了高精度、高鲁棒性的新范式。研究得到国家自然科学基金、中央高校基本科研业务费专项、广东省重点学科建设项目等联合资助。

图1 DRUA变化检测框架原理示意图

图2 DRUA变化检测实验结果

原文链接：https://doi.org/10.1016/j.isprsjprs.2026.04.011