在非常高分辨率（VHR，<1米）光学遥感图像中准确进行变化检测（CD）仍然具有挑战性，因为这需要有效建模远程双时依赖关系，并对复杂城市环境中的标签噪声具有鲁棒性。现有的基于深度学习的变化检测方法要么依赖于有限感受野的卷积操作，要么采用计算成本高的全局注意力机制，使得很难同时实现高效的全局上下文建模和细粒度的结构敏感性。为解决这些挑战，我们提出了一种基于Mamba的遥感变化检测自我细化框架（MSRNet）。具体而言，我们引入了一种增强注意力的斜状态空间模块（AOSS），以线性复杂度建模时空依赖关系，同时保留细粒度结构信息。四分支注意力融合模块（FBAM）进一步增强了跨维特征互动，以提高差异表示的区分能力。此外，自我细化模块（SRM）结合动量编码器生成高质量伪标签，减少标注噪声并实现从潜在变化中学习。对两个基准VHR数据集LEVIR-CD和WHU-CD的广泛实验表明，MSRNet在准确性和计算效率方面均实现了最先进的表现。
Sun et al. (Mon,)研究了这个问题。