Con el desarrollo de la tecnología de observación terrestre por detección remota de alta resolución, los ricos detalles de textura en las imágenes aumentan la cantidad de información, pero también introducen ruido de fondo complejo causado por la iluminación, las sombras y las diferencias fenológicas estacionales. Para abordar el problema de las falsas detecciones causadas por el ruido de fondo complejo en la detección de cambios por teledetección de alta resolución, así como la pérdida de detalles en pequeños objetivos causada por el muestreo tradicional, se propone una red basada en el desacoplamiento de características y el refinamiento iterativo de residuos (DIR-Net). Primero, se utiliza FastSAM preentrenado como codificador de prioridad visual para extraer características robustas a múltiples escalas. Luego, se diseña un módulo de desacoplamiento del subespacio de características que, mediante proyección ortogonal y una estrategia de recalibración cruzada, descompone explícitamente las características bimodales en un subespacio semántico compartido y un subespacio de características diferenciales, suprimiendo el ruido ambiental desde la fuente. Finalmente, se propone un módulo de refinamiento iterativo de residuos que introduce un mecanismo de atención de coordenadas, modelando el proceso de decodificación como un problema de regresión residual de grueso a fino, recuperando gradualmente los detalles de los bordes de los pequeños objetivos en el espacio de características manteniendo la resolución. Los resultados experimentales en los conjuntos de datos públicos LEVIR-CD, WHU-CD y SYSU-CD muestran que las puntuaciones F1 del DIR-Net alcanzaron el 91,33%, 93,31% y 86,29%, respectivamente. En comparación con los algoritmos dominantes ChangeFormer y BIT, la puntuación F1 mejoró en un promedio de aproximadamente un 5,0%, reduciendo significativamente las falsas alarmas de cambios mientras mantiene una tasa de recuperación muy alta. Este método resuelve eficazmente el problema del acoplamiento de características y la pérdida de detalles, mostrando mayor robustez y precisión de localización de bordes en escenarios complejos.

detección de cambios en imágenes de teledetección;desacoplamiento de características;refinamiento iterativo de residuos;aprendizaje profundo;DIR-Net;imágenes de alta resolución;detección de pequeños objetivos