不训练也能查遥感变化：SpotDiff把像素级特征比对压到82.46 F1
核心概要
遥感变化检测通常依赖大量跨时相、像素级标注，跨区域和跨平台难以扩展。SpotDiff把DINOv3语义特征、AnyUp像素级特征重建与SAM 3文本引导区域提议组合成免训练流程，只在提议区域内比较两期重建特征的余弦相似度。在LEVIR-CD上，ViT-7B版本达到82.46 F1，比此前最强的免训练方法高2.06个点；SECOND上建筑变化IoU提升10.3。
深度剖析
SpotDiff让遥感变化检测不再需要任何变化标签或微调：给定同一地区两个时相的配准影像和可选类别文本提示，它直接输出该类别的二值变化掩膜。 此前的免训练方法多依赖较粗或跨时相不一致的特征，对细小变化定位不佳；监督方法则需要大量跨时相像素级标注，跨区域、跨成像平台和跨应用领域往往难以获得。 在LEVIR-CD上，ViT-7B版SpotDiff取得82.46 F1和70.15 IoU，比OmniOVCD高2.06 F1和2.95 IoU，比AdaptOVCD高14.46 F1；ViT-L版为80.10 F1，与OmniOVCD相当。
流程把“哪里可能变”和“是否真的变”分开：分割模型只负责圈出候选对象，变化与否由两期语义特征在该对象内的平均相似度决定。 DINOv3输出的是每个16×16像素块一个向量的块级特征，直接比较会得到模糊的相似度图；AnyUp作为通用特征上采样器，借助图像引导把特征重建到像素分辨率，而此前的特征比对流程多用双线性插值。 在LEVIR-CD上，把AnyUp换成双线性插值后F1从82.46降到68.69，换成最近邻为66.88，即通用上采样器单独贡献13.8 F1；SWIMS多尺度滑窗推理在ViT-7B上把F1从61.09提升到82.46。
启示与展望
演示范围是配准后的RGB光学影像：四个公开基准的定量评测，加上PlanetScope 3米与Sentinel-2 10米影像上的定性迁移；在10米分辨率下，孤立建筑只占几个像素，被检测为小斑块，这标出了方法的实际下限。
相似度阈值是固定的，作者提出可改用基于图像统计的自适应阈值；精度依赖文本提示，四个近义提示之间F1最多相差5.9个点；区域先验对建筑这类有明确对象结构的类别帮助最大，对不透水面这类无定形类别帮助较小；多光谱与SAR输入尚未涉及。