论文思路

RS2Change：以单幅遥感影像为基础，通过SAM等模型构建多模态控制条件，基于多模态条件生成第二时相图像，从而构造变化检测数据集
- 代表方法：ChangeBridge、Changen2
Any2Change：以“语义分割、目标检测、实例分割”类型的数据集为基础，利用数据集内在条件，构造统一的生成框架，生成第二时相图像，从而将其转变为变化检测数据集
- 代表方法：rs-paint、HySCDG
Noise2Change：设计生成方式，从噪声中生成语义分割图等中间产物，再逐步生成双时相图像及对应变化掩码，从而构造变化检测数据集
- 代表方法：Noise2Change

数据集

Awesome链接：https://github.com/wenhwu/awesome-remote-sensing-change-detection
LEVIR-CD
- 链接：http://chenhao.in/LEVIR/
LEVIR-CD+
LEVIR-CC
- 链接：https://github.com/Chen-Yang-Liu/LEVIR-CC-Dataset
Hi-UCD
- 链接：https://rsidea.whu.edu.cn/Hi-UCD_dataset.htm
Hi-CNA
- 链接：https://rsidea.whu.edu.cn/Hi-CNA_dataset.htm
WUSU
- 链接：https://rsidea.whu.edu.cn/resource_wusu_sharing.htm
WHU-CD
SYSU-CD
MCLC-CD
JL1-CD
SECOND

对比方法

文献阅读

遥感图像变化生成

TPAMI 26 | Generating Any Changes in the Noise Domain

论文链接：https://doi.org/10.1109/TPAMI.2025.3643733
代码链接：https://github.com/chiangliu/noise2change
作者单位：湖南大学

模型：从噪声域模拟变化，兼顾变化多样性和总体一致性。训练两个生成模型，A模型生成T1影像的语义分割图，根据预设地物比例构建T2影像语义分割图生成目标L，使用A模型生成T2影像的语义分割图，生成过程利用生成目标L逐步扰动采样噪声。B模型通过T1 T2影像的低分辨率语义掩码生成高分辨率语义掩码和对应影像，变化标签通过语义掩码得到
数据：Noise2Change-27k

CVPR 26 | ChangeBridge: Spatiotemporal Image Generation with Multimodal Controls for Remote Sensing

论文链接：https://doi.org/10.48550/arXiv.2507.04678
代码链接：https://github.com/zhenghuizhao/ChangeBridge
作者单位：武汉大学

模型：利用Diffusion Bridge模型从事前影像生成事后影像，接受坐标文本、实例布局、语义分割图条件

TPAMI 25 | Changen2: Multi-Temporal Remote Sensing Generative Change Foundation Model

论文链接：https://ieeexplore.ieee.org/document/10713915
代码链接：https://github.com/Z-Zheng/pytorch-change-models
作者单位：斯坦福大学

模型：从事前影像提取边界轮廓、语义分割图作为条件图，编辑条件图以模拟事件发生，通过事前影像和事后模拟条件图生成事后影像，基于双时相条件图计算变化掩码，并利用变化掩码调整事后分割图，使其仅在变化区域与事前图像不同
数据：
- Changen2-S1-15k：建筑变化监测，模型训练源为xView2
- Changen2-S9-27k：语义变化检测，模型训练源为OpenEarthMap
- Changen2-S0-1.2M：无类别变化检测，模型训练源为fMoW

ISPRS 25 | Open-vocabulary generative vision-language models for creating a large-scale remote sensing change detection dataset

论文链接：https://doi.org/10.1016/j.isprsjprs.2025.04.023
代码链接：http://gpcv.whu.edu.cn/data
作者单位：武汉大学

模型：两个SD
- CLIP文本到RS图像
- 掩码图像修复

CVPR 25 | The Change You Want To Detect: Semantic Change Detection In Earth Observation With Hybrid Data Generation

论文链接：https://doi.org/10.1109/CVPR52734.2025.00211
代码链接：https://yb23.github.io/projects/cywd/
作者单位：古斯塔夫·埃菲尔大学

模型：HySCDG：基于FLAIR土地覆盖数据集和 BD TOPO 地理对象实例数据，构建遥感影像、语义分割图、实例对象掩码，随机选择实例对象对其掩码进行稍微扩展，并加入随机掩码区域，与遥感影像组合形成掩码图像；将实例对象在语义分割图中的最大凸包作为变化掩码，修改对应区域语义分割图中的类别作为语义分割图条件，构建文本描述（地物类型、时间地点）条件；SD接受掩码图像输入，以变化后的语义分割图和文本描述作为条件，生成变化后图像。
数据：FSC-180k

ICLRW Oral 25 | Tackling Few-Shot Segmentation in Remote Sensing via Inpainting Diffusion Model

论文链接：https://doi.org/10.48550/arXiv.2503.03785
代码链接：https://github.com/SteveImmanuel/rs-paint
作者单位：TelePIX

模型：目标检测数据集的原始图像I、标签掩码M、目标地物包围框patch P作为训练素材，SD模型接受掩码后的原始图像作为输入，目标地物patch作为条件，SD恢复掩码掉的部分，输出目标为原始图像。通过控制不同的条件，生成地物的不同变体，实现少样本分割性能的提升

WACV 24 | SyntheWorld: A Large-Scale Synthetic Dataset for Land Cover Mapping and Building Change Detection

论文链接：https://ieeexplore.ieee.org/abstract/document/10483785
代码链接：https://github.com/JTRNEO/SyntheWorld
作者单位：东京大学

数据生成方法：基于Blender进行建模，通过随机网格划分、规则放置、随机地形生成、可控纹理生成等手段，构建城市和自然两种场景，并施加变化，得到语义变化图
数据：SyntheWorld

遥感图像生成

AAAI 26 | Any2RSI: Controllable Remote Sensing Text-to-Image Generation via Any Control and Enriched Description

论文链接：https://doi.org/10.1609/aaai.v40i15.38283
代码链接：https://github.com/House-yuyu/Any2RSI
作者单位：武汉大学

模型：文本到遥感图像生成，支持软边界轮廓、硬边界轮廓、语义分割图作为条件输入
数据：RST2I-110K，115000个图像-文本对

arXiv 26 | GeoDiT: Point-Conditioned Diffusion Transformer for Satellite Image Synthesis

论文链接：https://doi.org/10.48550/arXiv.2603.02172
作者单位：华盛顿大学

模型：点+点描述作为条件生成遥感图像，以DiT为主体架构，对注意力模块进行修改

自然图像变化生成

WACV 25 | Improving Zero-Shot Object-Level Change Detection by Incorporating Visual Correspondence

论文链接：https://doi.org/10.1109/WACV61041.2025.00855
代码链接：https://github.com/anguyen8/image-diff
作者单位：奥本大学

模型：变化检测模型
数据生成方法：收集OpenImages中的图像，使用LaMa移除图像中的一个物体，筛选被移除物体边界框占1%-4%的图像，施加[-10, 10]度旋转后随机裁剪，形成视角差异
数据：OpenImages-Inpainted

WACV 23 | The Change You Want to See

论文链接：https://doi.org/10.1109/WACV56688.2023.00398
代码链接：https://www.robots.ox.ac.uk/~vgg/research/cyws
作者单位：牛津大学

模型：变化检测模型
数据生成方法：使用LaMa对COCO中的多个对象进行剔除，组合不同剔除对象的图片形成变化对，采用包含共同剔除对象的变化对和粘贴有额外对象的变化对来对抗剔除产生的伪影和噪声
数据：COCO-Inpainted

自然图像生成

ICLR 21 | Denoising Diffusion Implicit Models

论文链接：https://openreview.net/forum?id=St1giarCHLP
代码链接：https://github.com/ermongroup/ddim
作者单位：斯坦福大学

NeurIPS 20 | Denoising Diffusion Probabilistic Models

论文链接：https://proceedings.neurips.cc/paper/2020/hash/4c5bcfec8584af0d967f1ab10179ca4b-Abstract.html
代码链接：https://github.com/hojonathanho/diffusion
作者单位：加州大学伯克利分校

ICML 15 | Deep Unsupervised Learning using Nonequilibrium Thermodynamics

论文链接：http://proceedings.mlr.press/v37/sohl-dickstein15.html
代码链接：https://github.com/Sohl-Dickstein/Diffusion-Probabilistic-Models
作者单位：斯坦福大学

ICLR 21 | Denoising Diffusion Implicit Models

ICLR 21 | Denoising Diffusion Implicit Models 论文链接：https://openreview.net/forum?id=St1giarCHLP 代码链接：https://github.com/ermongroup/ddim 作者单位：斯坦福大学背景 DDPM 中，将参数 $T$ 设为一个大值能使生成过程更接近高斯分布，实现更好的性能，但会导致生成速度过慢而 DDPM 的最终损失：$L(\theta):=\mathbb{E}_{t,x_0,\epsilon}[||\epsilon-\epsilon_\theta(\sqrt{\bar{\alpha}_t}x_0+\sqrt{1-\bar{\alpha}_t}\epsilon,t)||^2]$ 仅需按照一步加噪公式，从 $q(x_t \mid x_0)$ 中采样一个 $x_t$，与联合分布 $q(x_{1:T} \mid x_0)$ 无关，非马尔可夫过程的变分推断将前向过程按反向方向重写（联合分布可使用任意顺序拆解）构造一组前向分布： $$ \begin{aligned} q_\sigma(x_{1:T} \mid x_0) &:= q_\sigma(x_T \mid x_0)\prod_{t=2}^Tq_\sigma(x_{t-1} \mid x_t,x_0)\\ q_\sigma(x_T \mid x_0) &= \mathcal{N}(\sqrt{\alpha_T}x_0,(1-\alpha_T)I)\\ q_\sigma(x_{t-1} \mid x_t,x_0) &= \mathcal{N}(\sqrt{\alpha_{t-1}}x_0+\sqrt{1-\alpha_{t-1}-\sigma_t^2} \cdot \frac{x_t-\sqrt{\alpha_t}x_0}{\sqrt{1-\alpha_t}},\sigma_t^2I) \end{aligned} $$ 其中，$\sigma\in\mathbb{R}_{\ge 0}^T$ 为分布的索引，当 $\sigma \rightarrow 0$ 时，若给定 $x_0,x_t$ 则 $x_{t-1}$ 固定

NeurIPS 20 | Denoising Diffusion Probabilistic Models

NeurIPS 20 | Denoising Diffusion Probabilistic Models 论文链接：https://proceedings.neurips.cc/paper/2020/hash/4c5bcfec8584af0d967f1ab10179ca4b-Abstract.html 代码链接：https://github.com/hojonathanho/diffusion 作者单位：加州大学伯克利分校背景知识期望公式：连续变量：$E[X] = \int xp(x)\mathrm{d}x$ 函数：$E[g(X)] = \int g(x)p(x)\mathrm{d}x$ 高斯分布重参数化公式：$x \sim \mathcal{N}(\mu,\sigma^2) \Rightarrow x=\mu+\sigma\epsilon, \epsilon \sim \mathcal{N}(0,1)$ 前向过程： $$ \begin{aligned} x_0 &\sim q(x_0)\\ q(x_{1:T} \mid x_0) &:= \prod_{t=1}^T q(x_t \mid x_{t-1})\\ q(x_t \mid x_{t-1}) &:= \mathcal{N}(x_t; \sqrt{1-\beta_t} x_{t-1}, \beta_t I)\\ \end{aligned} $$ 令 $\alpha_t := 1-\beta_t$，$\bar{\alpha}_t := \prod_{s=1}^t \alpha_s$，有一步加噪公式： $$ q(x_t \mid x_0) := \mathcal{N}(x_t; \sqrt{\bar{\alpha}_t}x_0, (1-\bar{\alpha}_t)I) $$ 经重参数化后，采样公式为： ...

ICML 15 | Deep Unsupervised Learning using Nonequilibrium Thermodynamics

ICML 15 | Deep Unsupervised Learning using Nonequilibrium Thermodynamics 论文链接：http://proceedings.mlr.press/v37/sohl-dickstein15.html 代码链接：https://github.com/Sohl-Dickstein/Diffusion-Probabilistic-Models 作者单位：斯坦福大学动机概率模型（probabilistic models）一直在易处理与灵活性之间平衡我们定义一个逐渐将一种分布转换为另一分布的马尔科夫链，生成式马尔科夫链即使用 diffusion 过程将一个简单的已知分布转换为目标数据分布在此框架下模型用于估计单一 diffusion 过程中的微小扰动，从而降低处理难度；此外，任一平滑的目标分布均存在 diffusion 过程，因此此方法灵活度较高方法前向过程（diffusio 过程）：将目标数据分布转换为简单已知分布逆向过程：在有限的时间步下，从简单分布中生成目标数据分布前向过程 $q(x^{(0 \cdots T)})$ 目标数据分布 $q(x^{(0)})$，简单已知分布 $\pi(y)$，马尔可夫 diffusion 核 $T_\pi(y \mid y';\beta)$，$\beta$ 为扩散速率，前向过程可以表示为： $$ \begin{aligned} \pi(y) &= \int \mathrm{d}y' T_\pi(y \mid y';\beta) \pi(y') \\ q(x^{(t)} \mid x^{(t-1)}) &= T_\pi(x^{(t)} \mid x^{(t-1)};\beta_t) \\ q(x^{(0 \cdots T)}) &= q(x^{(0)}) \prod_{t=1}^{T} q(x^{(t)} \mid x^{(t-1)}) \end{aligned} $$后向过程 $p(x^{(0 \cdots T)})$ 条件概率公式：$p(x \mid y) = \frac{p(x,y)}{p(y)}$ 链式展开：$p(x_1, \cdots ,x_n) = p(x_1)\prod_{i=2}^{n}p(x_i \mid x_1, \cdots ,x_{i-1})$ 边缘概率公式：$p(x) = \int p(x,y) \mathrm{d}y$ 贝叶斯公式：$p(x \mid y) = \frac{p(y \mid x) p(x)}{p(y)}$ 对于高斯扩散，在时间步数 $T$ 足够大、每一步扩散速率 $\beta$ 足够小时，前向扩散过程接近连续扩散过程。此时其反向转移可以近似采用与前向转移相同的分布族进行建模。因此，若前向扩散变换 $q(x^{(t)} \mid x^{(t-1)})$ 是高斯形式，则反向生成变换 $p(x^{(t-1)} \mid x^{(t)})$ 也可被视为高斯分布。后向过程可表示为： ...

论文思路#

数据集#

对比方法#

文献阅读#

遥感图像变化生成#

TPAMI 26 | Generating Any Changes in the Noise Domain#

CVPR 26 | ChangeBridge: Spatiotemporal Image Generation with Multimodal Controls for Remote Sensing#

TPAMI 25 | Changen2: Multi-Temporal Remote Sensing Generative Change Foundation Model#

ISPRS 25 | Open-vocabulary generative vision-language models for creating a large-scale remote sensing change detection dataset#

CVPR 25 | The Change You Want To Detect: Semantic Change Detection In Earth Observation With Hybrid Data Generation#

ICLRW Oral 25 | Tackling Few-Shot Segmentation in Remote Sensing via Inpainting Diffusion Model#

WACV 24 | SyntheWorld: A Large-Scale Synthetic Dataset for Land Cover Mapping and Building Change Detection#

遥感图像生成#

AAAI 26 | Any2RSI: Controllable Remote Sensing Text-to-Image Generation via Any Control and Enriched Description#

arXiv 26 | GeoDiT: Point-Conditioned Diffusion Transformer for Satellite Image Synthesis#

自然图像变化生成#

WACV 25 | Improving Zero-Shot Object-Level Change Detection by Incorporating Visual Correspondence#

WACV 23 | The Change You Want to See#

自然图像生成#

ICLR 21 | Denoising Diffusion Implicit Models#

NeurIPS 20 | Denoising Diffusion Probabilistic Models#

ICML 15 | Deep Unsupervised Learning using Nonequilibrium Thermodynamics#

论文思路

数据集

对比方法

文献阅读

遥感图像变化生成

TPAMI 26 | Generating Any Changes in the Noise Domain

CVPR 26 | ChangeBridge: Spatiotemporal Image Generation with Multimodal Controls for Remote Sensing

TPAMI 25 | Changen2: Multi-Temporal Remote Sensing Generative Change Foundation Model

ISPRS 25 | Open-vocabulary generative vision-language models for creating a large-scale remote sensing change detection dataset

CVPR 25 | The Change You Want To Detect: Semantic Change Detection In Earth Observation With Hybrid Data Generation

ICLRW Oral 25 | Tackling Few-Shot Segmentation in Remote Sensing via Inpainting Diffusion Model

WACV 24 | SyntheWorld: A Large-Scale Synthetic Dataset for Land Cover Mapping and Building Change Detection

遥感图像生成

AAAI 26 | Any2RSI: Controllable Remote Sensing Text-to-Image Generation via Any Control and Enriched Description

arXiv 26 | GeoDiT: Point-Conditioned Diffusion Transformer for Satellite Image Synthesis

自然图像变化生成

WACV 25 | Improving Zero-Shot Object-Level Change Detection by Incorporating Visual Correspondence

WACV 23 | The Change You Want to See

自然图像生成

ICLR 21 | Denoising Diffusion Implicit Models

NeurIPS 20 | Denoising Diffusion Probabilistic Models

ICML 15 | Deep Unsupervised Learning using Nonequilibrium Thermodynamics