Con el desarrollo de tecnologías de observación terrestre por teledetección de alta resolución, los ricos detalles de textura de los objetos 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 las falsas detecciones causadas por el ruido de fondo complejo en la detección de cambios en teledetección de alta resolución, así como el problema de la pérdida de detalles de pequeños objetivos debido al muestreo tradicional, se propone una red basada en la desacoplación de características y el refinamiento iterativo de residuos (DIR-Net). En primer lugar, se utiliza FastSAM preentrenado como codificador de prior visual para extraer características robustas a múltiples escalas. A continuación, se diseña un módulo de desacoplamiento del subespacio de características que, mediante proyección ortogonal y estrategias de recalibración cruzada, descompone explícitamente las características de dos fases temporales en un subespacio semántico compartido y un subespacio de características de diferencias, suprimiendo el ruido ambiental desde la raíz. Finalmente, se propone un módulo iterativo de refinamiento residual que introduce un mecanismo de atención de coordenadas, modelando el proceso de decodificación como un problema de regresión residual de lo grueso a lo fino, restaurando gradualmente los detalles de los bordes de los pequeños objetivos en un espacio de características de resolución preservada. Los resultados experimentales en los tres conjuntos de datos públicos LEVIR-CD, WHU-CD y SYSU-CD indican que la puntuación F1 de DIR-Net alcanzó 91,33 %, 93,31 % y 86,29 %, respectivamente. En comparación con los algoritmos predominantes ChangeFormer y BIT, la puntuación F1 promedio aumentó alrededor del 5,0 %, con una reducción significativa en la tasa de falsas alarmas por cambios simulados, mientras se mantiene una tasa de recuperación muy alta. Este método resuelve eficazmente los problemas de acoplamiento de características y pérdida de detalles, mostrando mayor robustez y precisión en la localización de límites en escenarios complejos.

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