近日，在庄松林院士指导下，上海理工大学太赫兹创新研究院联合复旦大学等单位，提出了一种基于结构特征自表示学习的多时相SAR影像变化检测方法，实现了对复杂场景变化信息的精准稳健提取。研究成果以“Unsupervised SAR Image Change Detection via Structure Feature-Based Self-Representation Learning” 为题发表在《IEEE Transactions on Geoscience and Remote Sensing》期刊上（IF=8.6，中科院一区），李维松博士为第一作者，朱亦鸣教授、复旦大学王海鹏教授为通讯作者，李银伟教授在算法理论推导和实验验证方面上也为本工作做出了重要贡献。
变化检测是SAR图像智能解译中的一类基本问题，基于图像域固有结构特征的无监督低秩矩阵分解理论，在标签稀缺条件下展现出显著的性能优势。然而当前主流方法主要依赖于静态稀疏先验，难以充分建模变化的空间多样性与动态复杂性，导致分解误差较大。为解决这一局限，本研究在多视图框架下重新定义了变化检测问题，并提出了一种结构多样化的自表征学习模型。通过对系数矩阵联合施加低秩与稀疏约束，增强了对变化信息的全局一致性与局部相关性描述，有效修正了复杂变化模式中的表征误差。同时集成鲁棒背景抑制机制，有效抑制斑点噪声与伪变化，提升变化区域与未变化区域的区分度。在此基础上，通过基于非线性回归的特征投影算法校准模糊样本，无需标注数据即可完成分类细化。整个框架在完全无监督的条件下学习，摆脱了对标注样本的依赖。所提的方法在典型遥感对地观测任务如灾害监测、建筑变化提取等领域实现了稳健的应用。
