Основные методы локализации изменений изображения обычно используют простые операции для объединения несогласованных признаков из разных потоков, что приводит к избыточности признаков и ошибочной детекции пикселей изменённой области. На этом основании в статье предлагается рамочная модель локализации изменений изображения на основе двухпоточного усиленного кодирования и оптимизированного с помощью внимания декодирования. Сначала предложено двухпоточное усиленное кодирование, которое выполняет самоукрепление и взаимное усиление с использованием перекрестных весов внимания на основе шума и каналов для признаков изображения и частотного домена соответственно. Затем вводится многоуровневая стратегия поля обзора для изучения контекстной информации на разных масштабах, проектируется модуль агрегации соседних признаков для объединения многомасштабных соседних признаков. Наконец, используя совместное усиление областей изменений и неизменённых областей для повышения способности модели к локализации изменений, предлагается модуль оптимизированного декодирования с вниманием для устранения ошибочной детекции крайних пикселей в первоначальном предсказании области изменений и постепенного точного уточнения локализации изменений. В сравнении с основными методами локализации изменений на четырёх популярных общедоступных наборах данных NIST16, Coverage, Columbia, CASIA и двух реальных сложных наборах данных IMD20, Wild, предложенный алгоритм показывает лучшие результаты на 6 наборах данных в настройках без дообучения и с дообучением, доказывая, что предложенная сеть локализации изменений эффективно использует различные сигналы изменений для достижения эффективной локализации изменённых областей на разных наборах данных с более высокой точностью и устойчивостью.

локализация изменений изображения;двухпоточное усиленное кодирование;оптимизированное внимание декодирования;агрегация соседних признаков