高解像度リモートセンシング地表観測技術の発展に伴い、画像中の豊富な地物テクスチャ詳細は情報量を向上させると同時に、照明、影、および季節的なフェノロジー差異による複雑な背景ノイズも導入しています。高解像度リモートセンシング変化検出において、複雑な背景ノイズによる偽変化誤検出および従来のサンプリングによる微小目標の詳細損失問題に対処するため、特徴デコップリングと反復的残差精緻化に基づくネットワーク（DIR-Net）を提案します。まず、事前学習済みのFastSAMを視覚的プライオリティエンコーダーとして用い、多スケールで頑健な特徴を抽出します。次に、正交射影とクロスリキャリブレーション戦略を通じて特徴部分空間デコップリングモジュールを設計し、双時相特徴を共有意味部分空間と差分特徴部分空間に明示的に分解し、環境ノイズを根本的に抑制します。最後に、座標注意機構を導入した反復残差精緻化モジュールを提案し、デコード過程を粗から精への残差回帰問題としてモデル化し、解像度を保持した特徴空間内で微小目標の境界詳細を段階的に復元します。LEVIR-CD、WHU-CDおよびSYSU-CDの3つの公開データセットでの実験結果は、DIR-NetのF1スコアがそれぞれ91.33％、93.31％、86.29％に達したことを示しています。主流のChangeFormerおよびBITアルゴリズムと比較して、F1スコアは平均約5.0％向上し、偽変化誤報率を著しく低減しつつ非常に高い再現率を維持しています。本手法は特徴の結合と詳細の損失問題を効果的に解決し、複雑なシーンにおいてより強い頑健性と高い境界位置精度を有しています。

リモートセンシング画像変化検出;特徴デコップリング;反復残差精緻化;深層学習;DIR-Net;高解像度画像;小目標検出