고해상도 원격탐사 지상 관측 기술의 발전에 따라, 영상 내 풍부한 지물 텍스처 세부정보는 정보량을 향상시키는 동시에 조명, 그림자 및 계절적 생육 차이로 인한 복잡한 배경 잡음을 유발합니다. 고해상도 원격탐사 변동 탐지에서 복잡한 배경 잡음으로 인한 가변 변동 오탐지 문제와 전통적 샘플링으로 인한 미세 물체 세부 손실 문제를 해결하기 위해, 특성 디커플링 및 반복 정제 기반 네트워크(DIR-Net)를 제안합니다. 먼저, 사전 학습된 FastSAM을 시각적 사전 인코더로 활용하여 다중 스케일 강인한 특징을 추출합니다. 이어서 정교한 직교 투영 및 교차 재보정 전략을 통한 특성 부분 공간 디커플링 모듈을 설계하여, 쌍시점 특징을 공유 의미 공간과 차이 특징 부분 공간으로 명시적으로 분해하여 환경 잡음을 근원에서 억제합니다. 마지막으로 좌표 주의 메커니즘을 도입한 반복 잔차 정제 모듈을 제안하여, 디코딩 과정을 조잡에서 정밀한 잔차 회귀 문제로 모델링하고, 해상도가 유지되는 특징 공간에서 점진적으로 미세 물체의 경계 세부정보를 복원합니다. LEVIR-CD, WHU-CD 및 SYSU-CD 세 공개 데이터셋에서의 실험 결과, DIR-Net의 F1 점수는 각각 91.33%, 93.31% 및 86.29%에 이르렀습니다. 주요 ChangeFormer 및 BIT 알고리즘과 비교하여 F1 점수가 평균 약 5.0% 향상되었으며, 가변 변동 오탐률이 현저히 감소하면서도 매우 높은 재현율을 유지했습니다. 본 방법은 특성 결합 및 세부 손실 문제를 효과적으로 해결하여, 복잡한 환경에서 더 강한 강인성과 더 높은 경계 위치 정확도를 제공합니다.

원격탐사 영상 변화 탐지;특성 디커플링;반복 잔차 정제;딥러닝;DIR-Net;고해상도 영상;소형 물체 탐지