Beyond Attention: Convolutional Global Context for Remote Sensing Change Detection¶

会议: ECCV 2026
Paper: https://eccv.ecva.net/virtual/2026/poster/3835
PDF: https://media.eventhosts.cc/Conferences/ECCV2026/pdfs/3325.pdf
代码: https://github.com/NUST-Machine-Intelligence-Laboratory/ChangeGCC
领域: 遥感
关键词: 变化检测、全局条件卷积、动态卷积核、跨尺度聚合、双时相融合

一句话总结¶

ChangeGCC 用场景级描述子调节卷积核，再依次进行帧内跨尺度聚合和帧间对称门控，在不构造全局成对注意力矩阵的情况下完成遥感变化检测，Base 版本在 LEVIR-CD 上取得 85.28% IoU，参数量为 13.60M。

研究背景与动机¶

遥感变化检测比较同一地点两个时刻的图像，输出逐像素的变化区域，而不只是判断整幅图是否不同。难点在于“外观变了”并不等于“地物变了”：光照、季节、辐射差异可能覆盖整片区域，真正新增的建筑却可能很小。 FC-Siam、SNUNet 等卷积方法保留了良好的空间结构，但局部纹理证据不足时，容易把这些外观扰动当作变化。 BIT、ChangeFormer 等方法引入长程交互，让局部判断能够参考更大范围的场景信息，但标准全局自注意力的成对计算随空间位置数平方增长。

线性注意力或状态空间模型降低了渐近复杂度，却不自动意味着整个变化检测网络足够轻。作者以 ChangeMamba 为例指出，其编码器之外仍需要专门的时空关系模块，实际参数和计算开销不能只根据核心算子的复杂度判断。因此，本文不是要证明所有注意力结构都低效，而是探索另一条路线：能否保留二维卷积的数据流，同时让局部滤波行为依赖全图内容？进一步说，即使每个时刻都得到了全局感知特征，不同分辨率的语义与两个时刻的表征仍要协调，否则融合阶段仍可能放大伪变化。

ChangeGCC 把上述问题分成“单帧如何感知全局”与“双帧如何互相筛选”两个层次。前者通过全局统计量生成卷积核，后者先统一单帧多尺度语义，再让两个时刻在通道和空间维度相互调制。 核心 idea：用全局内容决定局部卷积如何聚合，再用跨尺度整合与双时相对称门控识别真实变化，将全局条件化与显式全局成对交互区分开来。

方法详解¶

整体框架¶

输入是两个时刻的遥感图像，输出是与原图空间尺寸对应的二值变化概率图。两路图像分别经过由全局条件卷积组成的四阶段编码器，形成四级特征金字塔。双时相融合模块（Dual-Temporal Fusion，DTF）随后分两步处理：每个时刻内部先做帧内跨尺度聚合，各尺度再做帧间对称交互。最后，轻量 U-Net 式卷积解码器整合四级融合特征、恢复分辨率，并通过 sigmoid 输出变化概率。这里的解码器是输出端的常规结构，不应把它包装成另一项独立创新。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["双时相遥感图像"] --> B["全局条件卷积<br/>各自构建四级特征"]
    B --> C["帧内跨尺度聚合<br/>每个时刻独立处理"]
    C --> D["帧间对称交互<br/>通道与空间互相门控"]
    D --> E["卷积解码器与 sigmoid"]
    E --> F["逐像素变化概率图"]

训练时两个时刻的图像及变化标注共同参与端到端优化；推理时只需要双时相图像，不再输入标注。模型没有额外的文本条件、教师网络或测试时优化过程。所谓“全卷积”也不意味着没有任何门控或全局池化，而是不用 token 间的成对注意力来承担主要的全局建模。

关键设计¶

1. 全局条件卷积：让场景统计量决定局部滤波方式

普通卷积训练完成后使用固定的空间卷积核，不会因为当前图像是密集城区还是开阔地表而改变滤波规则。全局条件卷积（Globally Conditioned Convolution，GCC）先投影输入特征，再做全局平均池化，得到一个紧凑的场景描述子。若干轻量映射根据描述子输出经过 sigmoid 的路由系数，用这些系数组合可学习的卷积核基。原文第 3.1 节给出的核心关系可以写为：

\[ K(g)=\sum_{i=1}^{M}\alpha_i(g)K_i,\qquad \alpha_i(g)=\sigma(\phi_i(g)). \]

这里 \(g\) 是全局描述子，\(K_i\) 是训练得到的核基，\(M\) 是核基数量，\(\alpha_i\) 是当前输入决定的权重。这些权重经过 sigmoid，而不是对所有核基进行 softmax 归一化，因此不应把它们解释成和为一的类别概率。组合好的卷积核再作用于另一条投影分支的特征，在各位置的局部邻域内完成加权聚合。关键不是把每个像素直接连到所有其他像素，而是全图统计量先影响共享滤波规则，再影响每个位置的局部输出。

这一差别决定了能力与代价的边界：空间聚合仍然是局部的，全局信息通过被压缩的描述子进入，而不是保留全部位置对之间的独立关系。在核大小、通道宽度和核基数量固定时，池化与局部卷积的工作量随空间位置数线性增长，不需要显式的平方规模注意力矩阵。因此，“全局条件化”不等于“单层具有任意全局空间路由能力”，但可能已经足以让模型识别场景相关的外观干扰。四阶段编码器始终保留二维特征布局，并在不同分辨率重复这种处理，为后续密集定位提供多尺度输入。缓存正文没有给出核基数量、具体核大小及所有块内配置，不能据此补出完整实现。

2. 帧内跨尺度聚合：先统一同一时刻的语义，再比较时间差异

高分辨率特征更接近细小边缘，低分辨率特征更容易表达建筑或地表区域的语义。如果直接逐尺度比较两个时刻，尺度之间的信息不一致可能混入时间差异，使“小物体缺少语义”和“真实出现或消失”难以区分。 DTF 因而先在每个时刻内部，把四级特征通过双线性插值上采样到最高特征分辨率，沿通道维拼接，再经过 GCC 融合。这里的“最高分辨率”是金字塔中最高的特征分辨率，不是笼统地把所有特征恢复到原始图像大小。融合后的统一表示再通过各尺度的下采样映射，回到四级尺度，得到后续时间交互所需的细化特征。

这与仅沿金字塔自顶向下逐级传递特征的 FPN 不同：不同层级先在共同空间中汇合，GCC 可以根据联合内容决定如何聚合。但这一阶段依然是帧内处理，并没有提前把两个时刻混在一起；时间交互属于下一阶段。它使每个尺度都能够利用其他层级的信息，而不是把分辨率选择留给解码器独自解决。值得注意的是，参数少不代表这一阶段计算量可忽略：上采样到高分辨率后的融合会产生明显的运算开销。

3. 帧间对称交互：用另一时刻的描述子筛选当前特征

完成尺度对齐后，每个尺度都有两个时刻的对应特征，记作 \(X_1\) 和 \(X_2\)。模块先分别对它们做全局平均池化和全局最大池化，把两种统计送入轻量瓶颈映射并相加，经过 sigmoid 得到通道门控。两个统计量分别反映整体响应和强响应，避免只依赖一种汇总方式。交互的核心是“交叉使用”：由第二时刻生成的通道门控乘到第一时刻特征上，由第一时刻生成的门控乘到第二时刻上。这不是分别给两帧做自增强，而是让一个时刻提供筛选另一个时刻的依据。

接着，模块在已经完成通道调制的特征上，沿通道维计算均值与最大值，拼接后经过小卷积预测空间门控。空间门控仍然交叉施加，使两个时刻在“哪些位置值得关注”上互相约束；两路最终结果相加，构成该尺度的融合特征。因此完整顺序是通道互调制、空间互调制、对称聚合，而不是先做绝对差再送入注意力。 “对称”指双向交互的数据流，正文并未充分交代两方向的参数是否共享，不能进一步宣称严格的时间交换不变性。这种设计依靠监督训练学会什么证据对应真实变化，门控本身并不是能保证去除伪变化的手工判别规则。同样，它没有显式几何配准模块；若两帧位置错位，乘法门控并不会自动修正坐标。

一个完整示例¶

考虑两张已对齐的城区图像：大部分屋顶因拍摄条件改变了亮度，另有一处确实新增了建筑。这是机制说明，不是论文额外报告的定量案例。编码器先根据各自的场景统计量调整滤波核，提取四级结构特征，而不是直接把原始像素亮度相减。帧内跨尺度聚合让局部轮廓得到较粗尺度建筑语义的补充，再将这些信息送回每个尺度。随后两个时刻交换通道与空间门控，学习降低不支持真实结构变化的响应，并保留有助于变化定位的证据。解码器读取融合后的多尺度表示，在原图网格上输出变化概率。新增建筑能否被正确保留最终取决于学习结果，不能仅凭流程推导出某个必然正确的掩码。

损失函数 / 训练策略¶

训练采用像素级二元交叉熵与区域级 Dice 损失之和：

\[ \mathcal{L}=\mathcal{L}_{\mathrm{BCE}}+\lambda\mathcal{L}_{\mathrm{Dice}},\qquad \lambda=1. \]

前者约束逐像素预测，后者强调变化区域的整体重叠，避免只把优化理解为独立像素分类。缓存的逐项 BCE、Dice 公式存在明显文本抽取损坏，因此这里只保留正文能够明确核实的组合目标，不重抄损坏公式。第 4.1 节采用 Open-CD 预处理，训练与推理使用 \(256\times256\) 裁块。训练使用 4 张 RTX 3090、每卡 batch size 8、Adam、200 个 epoch；初始学习率为 \(10^{-5}\)，权重衰减为 \(10^{-4}\)。学习率采用余弦调度，含 20 个 epoch 的 warmup；原文还报告 warmup multiplier 为 10、梯度裁剪阈值为 0.5。作者将一项 Adam 参数写作 momentum 0.999，但没有明确给出完整的 Adam beta 配置，复现时应核对实现，不能直接视为完整优化器定义。数据增强先共享几何变换以保持双帧对齐，再对两个时刻独立施加光度扰动，模拟不对应真实结构变化的外观差异。 T/S/B 通过编码器深度与通道宽度区分：深度分别为 [2,2,4,2]、[2,2,7,2]、[2,3,10,3]，T 的通道为 [32,64,128,240]，S/B 为 [40,80,160,320]。

实验关键数据¶

主实验¶

下表摘选原文表 1；IoU 与 F1 均为百分数，越高越好，参数量与 FLOPs 越低越省资源。结果来自各数据集的论文评测设置；正文说明遵循 Open-CD 的裁块协议，但未逐项给出训练、验证、测试划分数量，不能自行补写具体 split 数量。作者称对比方法采用官方实现或按作者配置复现并统一实验设置；下列开销按论文报告的 \(256\times256\) 输入协议理解，不与图 1 的 \(640\times640\) 开销混用。

方法	参数量 M	FLOPs G	LEVIR-CD IoU ↑	LEVIR-CD F1 ↑	WHU-CD IoU ↑
ChangeMamba	84.70	44.86	84.27	91.37	88.02
ChangeTitans	27.15	30.39	84.36	91.52	88.56
S2ENet	24.92	17.59	84.61	91.67	89.33
ChangeGCC-T	6.34	13.60	84.85	91.80	89.52
ChangeGCC-B	13.60	26.49	85.28	92.06	89.95

相对 ChangeMamba，Base 的 LEVIR-CD IoU 高 1.01 个百分点，参数量从 84.70M 降至 13.60M；这些差值由表 1 直接相减得到。但它并非对所有模型都更省 FLOPs，例如 S2ENet 的 17.59G 低于 Base 的 26.49G，应读作精度与开销的取舍，而非全面碾压。表 2、表 3 中，Base 在 LEVIR-CD+ 和 SYSU-CD 上分别报告 75.92% 与 71.54% IoU，ChangeTitans 分别为 75.84% 与 71.18%。表 4 的 SAR-CD 上，Base 为 97.21% IoU，MFPNet 为 97.09%；SAR-CD 使用合成变化，不等价于真实跨传感器迁移评测。

消融实验¶

下表摘选原文表 5，均在 LEVIR-CD 上以 ChangeGCC-B 为默认配置，只替换所列部分；IoU 为百分数，越高越好。这是同一架构内的组件替换实验，不是把完整外部模型的结果重复放入消融表。

配置变化	IoU ↑	相对完整模型的变化，百分点
完整模型	85.28	0.00
GCC 换为固定 \(3\times3\) 卷积	81.80	-3.48
GCC 换为固定 \(7\times7\) 卷积	83.24	-2.04
去掉帧内跨尺度聚合	84.53	-0.75
帧内跨尺度聚合换为 FPN	84.96	-0.32
帧间交互换为 SiamDiff	82.06	-3.22
帧间交互换为 STRM	84.72	-0.56
去掉 Dice 项，即 \(\lambda=0\)	84.97	-0.31

关键发现¶

固定卷积即使扩大到 \(7\times7\)，仍落后 GCC 2.04 个 IoU 百分点，支持“输入条件化不仅是扩大邻域”的解释；不过表 5 未同时报告这些替换的参数与 FLOPs，不能宣称完全等预算。
跨尺度模块带来 0.75 个 IoU 百分点，但表 6 显示 Base 中它占 0.19M 参数、6.09G FLOPs，分别为总量的 1.40% 与 22.99%。它是参数轻量，而不是计算可忽略。
用 SiamDiff 替换交互下降 3.22 个百分点，说明在这个骨干上，简单差分不如学习式双向调制；这不是所有差分方法都会失败的普遍结论。
图 6 的速度测试采用 RTX 3090、batch size 1、关闭 AMP，预热 5 次后平均后续 10 次运行。缓存曲线数值无法可靠读取，因此不报告具体 FPS 或加速倍数。

亮点与洞察¶

全局信息可以控制算子，而不必直接搬运所有位置的特征。 GCC 将场景描述压缩为核组合权重，给二维卷积提供了输入自适应性，也明确付出了信息压缩的代价。
先处理尺度不一致，再处理时间差异。 DTF 的顺序让两个问题各有作用位置，避免把所有融合责任交给最后的解码器。
同时看参数与运算位置。 跨尺度聚合的参数占比很小，却在高分辨率上执行，部署判断不能只依据模型文件大小。

局限与展望¶

作者明确指出：有限监督和多样传感条件仍是开放问题，未来考虑弱监督学习、更广泛的跨模态设置与实时部署。
读者判断：全局池化压缩了空间布局，GCC 不具有任意位置对独立交互的表达形式；涉及精细长程对应的任务能否同样有效，需要另行验证。
证据边界：五个数据集分别评测不等于一次训练后跨数据集零样本迁移；SAR-CD 的变化是合成的，不能外推为真实光学到 SAR 的跨模态泛化。
部署边界：正文给出桌面 GPU 的吞吐与显存分析，没有机载或星载硬件的能耗、端到端延迟实测，因此资源受限部署仍属于潜力而非完成验证。
复现与文本问题：正文未完整给出数据划分、核基配置，部分公式抽取损坏；LEVIR-CD+ 对应的参考文献条目实际写作 S2Looking，数据名称与引用需核对。表 5 部分 IoU/F1 配对也存在一致性疑点，故消融仅摘选可清晰核实的 IoU，不修造原表数字。
噪声鲁棒性证据有限：图 5 是标注缺漏的定性示例，不是具有可控噪声比例和重复试验的系统标签噪声实验。

评分¶

新颖性: 3.5/5 — 全局条件卷积与对称双时相融合形成清晰方案，但主要算子有已有动态卷积与门控机制的基础。
实验充分度: 4/5 — 覆盖五个数据集、组件消融和效率分析，欠缺重复试验统计与真实边缘设备验证。
写作质量: 3/5 — 方法主线清楚，但数据引用、部分指标配对与实现细节仍需核对。
价值: 4/5 — 对构建高效遥感变化检测系统有参考意义，尤其提醒读者同时检查全局建模方式与融合模块开销。