蘑菇视频

近日，蘑菇视频 叶沅鑫教授课题组博士生郑耀以第一作者身份，在计算机视觉领域顶级会议ECCV 2026（European Conference on Computer Vision）上发表题为“CRD-Net: Frequency-Adaptive Feature Injection and Change Decoupling for Building Damage Assessment”的论文，在灾后建筑损伤评估研究方面取得新进展。该论文通讯作者为叶沅鑫教授，蘑菇视频 为唯一署名单位。

该研究受国家重点研发计划项目（2024YFC3015404）资助。建筑损伤评估是灾后应急救援和重建规划的重要基础。针对高分辨率遥感影像中细微损伤特征难以提取、变化信息易受复杂背景干扰等问题，研究团队提出了一种融合频率自适应特征注入与变化解耦的建筑损伤评估方法CRD-Net，联合完成建筑定位与损伤分类任务。

该方法首先利用低秩适应（LoRA）对视觉基础模型DINOv3进行参数高效微调，并设计空频自适应特征增强模块，通过可学习的高斯带通滤波器实现局部细节与全局语义的自适应融合；其次，构建基于Mamba的变化表征解耦与判别解码器，融合灾前、灾后影像的多尺度时空特征；最后，通过正交子空间解耦与原型引导的困难样本对比学习，分离损伤变化与稳定场景信息，增强细微损伤的识别能力。

图1 CRD-Net整体网络结构

实验结果表明，CRD-Net在xBD和EBD两个数据集上的综合F1得分分别达到81.26%和81.88%，较FlowMamba分别提升1.14和1.33个百分点，在两个数据集的对比实验中均取得最佳综合表现。其中，轻微损伤类别F1得分分别达到62.68%和88.12%，较FlowMamba分别提升3.38和2.54个百分点。该研究为复杂背景下的建筑损伤精细化评估提供了新的技术方法。

图2 xBD数据集建筑损伤评估结果对比

欧洲计算机视觉会议（ECCV）由欧洲计算机视觉协会（ECVA）组织，每两年举办一届，是计算机视觉与机器学习领域具有重要国际影响力的学术会议，汇聚相关领域的学术界与产业界研究人员，会议论文集由Springer出版。

论文详细信息：

Zheng Y, Ye Y, Shu T, Cai L. CRD-Net: Frequency-Adaptive Feature Injection and Change Decoupling for Building Damage Assessment[C]//European Conference on Computer Vision (ECCV 2026). Lecture Notes in Computer Science, vol. 17023. Springer, 2026: 167–184.

DOI: 10.1007/978-3-032-37592-6_10.

一审一校：叶沅鑫

二审二校：杨都强

三审三校：赵晓彦