零 OVCD：桥接 无需训练 基础模型和伪标签学习以实现开放词汇变化检测

开放词汇变化检测（OVCD）能够识别双时态遥感图像中用户指定的土地覆盖变化，但现有的 无需训练 管道仍然容易受到不准确的候选掩模、模糊的语义分配和累积的推理错误的影响。为了解决这些问题，我们提出了 Zero-OVCD，这是一个两阶段框架，不需要来自目标域的像素级注释。在第一阶段，通过互补的候选掩模细化、基于边缘的可靠性过滤的多尺度语义相似性融合以及响应引导的掩模校正和完成来生成高质量的变化伪标签。这些组件共同抑制嘈杂的候选者，增强掩模级语义辨别力，并恢复丢失的变化区域。在第二阶段，使用生成的伪标签训练变化检测器，同时引入检查点投票和高一致性样本选择来减轻残留伪标签噪声。在 LEVIR-CD、WHU-CD 和 S2Looking 上，Stage I 的 F1 分数分别为 86.25%、85.82% 和 50.48%，而 Stage II 进一步将它们分别提高到 88.65%、88.85% 和 57.96%。第二，六个类别一对一任务的宏观平均 F1 从 47.91% 增加到 50.92%。这些结果表明，将 无需训练 基础模型推理与噪声感知伪标签学习桥接起来，为无需目标域像素级注释的开放词汇变化检测提供了有效的解决方案。代码可在 https://github.com/1321663019/Zero-OVCD 获取。