本研究提出了一种名为GCD-DDPM的生成式遥感图像变化检测模型。

在四个高分辨率CD数据集上，实验验证了GCD-DDPM的卓越性能。

GCD-DDPM模型由前向扩散阶段与反向扩散阶段组成。

扩散过程中，模型通过数学公式表达，涉及前向与反向过程。

前向过程中，数据由初始分布逐步扩散，反向过程则通过马尔可夫链实现数据线性转换，该转换由学习到的高斯转移定义，以标准正态分布为初始分布。

在训练阶段，基于变分推理优化参数，以准确近似原始数据分布。

推理阶段，从标准高斯分布采样，利用学习到的转移模型递归采样数据点。

GCD-DDPM的噪声预测器采用包含CD编码器与CD解码器的U-Net结构。

模型中，噪声预测器的CD编码器用于提取变化信息，DCE模块增强与校准条件嵌入特征。

NSSE模块通过参数化的注意力图消除高频噪声，抑制固有噪声。

整个训练与推理过程分别在算法1与算法2中展示。

广泛实验结果在四个CD数据集上进行，包含CDD、LEVIR-CD、WHU-CD与GVLM，证实GCD-DDPM优于判别性CD模型。

模型能够动态定位与微调检测结果。

本文提出的方法为遥感图像变化检测提供了有效解决方案。