Unsupervised Satellite Image Change Detection Using Quantum-Inspired Mapping and Weighted Hybrid Neighborhood MRFs

技术摘要：基于量子启发式映射与加权混合邻域 MRF 的无监督卫星图像变化检测

问题陈述
双时相遥感图像中的无监督变化检测（CD）对于地球观测至关重要，但由于辐射噪声、大气变化和不完美的图像配准，该任务仍然具有挑战性。传统的处理方法通常依赖于空间不变的正则化，这在异质场景中可能对噪声过于敏感，或导致过度的边界平滑。此外，现有的基于马尔可夫随机场（MRF）的方法经常使用全局固定的正则化参数以及标准的 4 连通或各向同性 8 连通邻域。这些静态配置无法适应局部场景统计特性，并且忽略了正交距离与对角线距离之间的几何差异，从而导致在抑制虚警与保留精细结构边界之间难以达到最优平衡。

方法论
作者提出了一种无需训练的无监督框架，将分块分解的 MRF 重新表述为二次无约束二值优化（QUBO）问题。该方法由三个主要阶段组成：

1. 数据准备与分解：

   • 利用 ITU-R BT.601 亮度权重将双时相多光谱图像转换为单波段灰度图。
   • 应用直方图匹配，使第二幅图像相对于第一幅图像进行归一化，以消除辐射差异。
   • 将图像划分为非重叠的 $32 \times 32$ 像素瓦片，并采用对称边缘反射填充以减轻边界伪影。
   • 通过绝对像素级减法生成辐射差异图像 ($\Delta I$)。

2. MRF 能量公式化与 QUBO 映射：

   • 将变化检测任务视为最大后验（MAP）估计，最小化全局能量函数 $E(x) = E_{data}(x) + E_{spatial}(x)$。
   • 数据保真度 ($E_{data}$)： 基于相对于固定基准阈值（$\lambda = 0.10$）的差异幅度进行线性建模。
   • 上下文感知自适应 $\beta$ ($\beta_{adaptive}$)： 取代全局平滑参数，为每个分块动态计算空间平滑强度。该强度由差异图像的局部分块均值 ($\mu_{patch}$) 和标准差 ($\sigma_{patch}$) 对比基准阈值得出。设置 0.001 的底限值以确保数值稳定性。
   • 加权混合 8 连通邻域： 将空间交互拓扑从 4 连通扩展到 8 连通。至关重要的是，对角线交互通过反比例欧几里得距离因子 ($1/\sqrt{2} \approx 0.7071$) 进行缩放，以补偿对角线邻居与正交邻居之间较大的物理间距。
   • QUBO 转换： 将 MRF 能量函数映射到 QUBO 公式 ($E_{QUBO}(x) = \sum Q_{ss}x_s + \sum Q_{sr}x_s x_r$)。线性偏置 ($Q_{ss}$) 结合了数据保真度和自适应空间惩罚，而二次耦合项 ($Q_{sr}$) 则代表了加权邻域交互。

3. 优化与重建：

   • 尽管该公式是为量子退火设计的，但本研究使用了经典的模拟退火（SA）求解器（D-Wave neal 库）来寻找能量最低状态。
   • 从每个瓦片中提取的二值解向量被重新组合，以重建全局变化图。

核心贡献
本文的主要贡献不在于 MRF、QUBO 或退火算法本身，而在于将它们与两种新型空间机制相结合：

• 上下文感知正则化： 一种直接从局部分块统计量中确定空间平滑强度的算法，消除了对全局经验调优的需求。
• 各向异性距离加权拓扑： 一种 8 连通邻域模型，其中对角线交互根据欧几里得距离被显式降权，旨在比各向同性模型更好地保持几何保真度。

结果
该框架在 Onera 卫星变化检测（OSCD）基准数据集的九个不同城市场景上进行了评估，且无需监督训练。

• 性能： 所提方法实现了平均 F1 分数 0.3483，总体准确率（OA）为 96.15%，以及 Cohen's Kappa 系数为 0.3323。
• 对比分析：
  • 在 F1 分数方面，所提方法优于传统的无监督阈值法（Otsu、Kapur、Kittler-Illingrove、Rosin）。
  • 超参数敏感性分析表明，固定的全局 $\beta$ 参数会导致精度提高但召回率下降（边界侵蚀）的权衡，从而证明了自适应方法的必要性。
  • 拓扑结构对比显示，加权混合 8 邻域配置比 4 邻域或各向同性 8 邻域变体提供了更好的指标平衡，特别是在复杂场景中保留结构细节方面。
• 观察到的局限性： 与某些简单的阈值基准相比，该方法表现出较低的召回率，表明其生成的变换图较为保守，优先考虑减少虚假阳性而非检测所有潜在变化。性能在不同城市间差异显著（例如，雷恩 F1 高，波尔多 F1 低），反映了数据集固有的难度。

意义与主张
作者声称该框架为无监督变化检测提供了一种无需训练的替代方案，同时保持了与未来量子退火硬件的兼容性。其意义在于证明了将局部上下文感知正则化与距离加权空间交互相结合，可以在无需标记数据或深度学习训练的情况下，改善噪声抑制与边界保留之间的平衡。

论文对其主张保持了谦逊的态度：

• 并未声称实现了量子加速，因为实验是使用经典模拟退火进行的。
• 承认基于分块的分解可能会在瓦片边界引入不连续性。
• 将其定位为一种补充方法，适用于需要无需训练、具有显式公式化的优化场景，而非作为数据驱动深度学习系统的替代品。
• 明确指出未来的工作方向包括在物理量子硬件上评估该公式，并通过重叠分块来解决边界不连续问题。