Mit der Entwicklung der Fernerkundungstechnologie zur Erdbeobachtung mit hoher Auflösung erhöhen die reichen Texturdetails von Objekten in Bildern die Informationsmenge, führen jedoch auch komplexes Hintergrundrauschen ein, das durch Beleuchtung, Schatten und saisonale phänologische Unterschiede verursacht wird. Um Fehldetektionen durch komplexes Hintergrundrauschen bei der Veränderungserkennung in Hochauflösungsfernerkundungsdaten zu adressieren sowie das Problem des Verlusts feiner Details kleiner Objekte durch traditionelle Stichproben zu lösen, wird ein Netzwerk vorgeschlagen, das auf Merkmalsentkopplung und iterativer Residualverfeinerung (DIR-Net) basiert. Zunächst wird FastSAM als vortrainierter visueller Priorencoder verwendet, um multiskalige robuste Merkmale zu extrahieren. Anschließend wird ein Merkmalsunterraum-Entkopplungsmodul entwickelt, das mittels orthogonaler Projektion und Kreuz-Rekalibrierungsstrategie die Merkmale zweier Zeitpunkte explizit in einen gemeinsamen semantischen Unterraum und einen Differenzmerkmalsunterraum zerlegt, um Umgebungsrauschen an der Wurzel zu unterdrücken. Abschließend wird ein iteratives Residualverfeinerungsmodul vorgeschlagen, das einen Koordinaten-Aufmerksamkeitsmechanismus einführt und den Dekodierungsprozess als residuelles Regressionsproblem vom Groben zum Feinen modelliert, um schrittweise die Kantendetails kleiner Objekte im Auflösungs-erhaltenen Merkmalsraum wiederherzustellen. Die experimentellen Ergebnisse auf den drei öffentlichen Datensätzen LEVIR-CD, WHU-CD und SYSU-CD zeigen, dass die F1-Werte von DIR-Net 91,33 %, 93,31 % bzw. 86,29 % erreichen. Im Vergleich zu den führenden Algorithmen ChangeFormer und BIT steigt der durchschnittliche F1-Wert um etwa 5,0 %, bei deutlich reduzierter Fehlalarmrate von Pseudoänderungen und gleichzeitig sehr hoher Rückrufrate. Die Methode löst effektiv Probleme der Merkmalskopplung und des Detailverlusts und bietet eine höhere Robustheit sowie Genauigkeit bei der Grenzlokalisierung in komplexen Szenarien.

Veränderungserkennung in Fernerkundungsbildern;Merkmalsentkopplung;iterative Residualverfeinerung;Deep Learning;DIR-Net;hochauflösende Bilder;Erkennung kleiner Objekte