awesome-scene-change-detections

该合集是一个精心整理的资源列表，专注于场景变化检测领域，涵盖室内和室外环境下的多个数据集，同时还包括相关代码和论文。合集主要面向机器人视觉应用，如自动驾驶、无人机和移动机器人等，旨在为研究人员和开发者提供全面的数据集索引和参考资料。

This collection is a meticulously curated resource list focused on the field of scene change detection. It covers multiple datasets in both indoor and outdoor environments, alongside relevant codes and academic papers. Targeted primarily at robotic vision applications such as autonomous driving, unmanned aerial vehicles (UAVs), and mobile robots, this collection aims to provide researchers and developers with comprehensive dataset indexes and reference materials.

原始信息汇总

场景变化检测（Scene Change Detection）数据集与资源汇总

该页面整理了与机器人视觉（如自动驾驶、无人机、移动机器人）相关的场景变化检测（SCD）的数据集、代码和论文。SCD任务旨在定位并识别两幅同一地点、不同时间场景图像之间的变化。

数据集

室内场景

年份	数据集名称	发表会议/期刊	相关链接
2021	ChangeSim	IROS	项目主页 / 论文
2020	Langer et al.	IROS	项目主页 / 论文
2019	3RScan	ICCV	项目主页 / 论文
2019	Mallscape	CVPR	项目主页 / 论文
2017	Fehr et al.	ICRA	项目主页 / 论文

室外场景

年份	数据集名称	发表会议/期刊	相关链接
2020	HD map & Localization Dataset（仅限韩国研究人员访问）	IROS	项目主页 / 论文
2018	VL-CMU-CD	Autonomous Robots	谷歌云盘 / 论文
2015	PCD	BMVC	项目主页 / 论文
2014	CD2014	CVPRW	项目主页 / 论文

论文与代码

包含代码的论文

年份	论文名称	发表会议/期刊	相关链接
2021	DR-TANet: Dynamic Receptive Temporal Attention Network for Street Scene Change Detection	IV	项目主页 / 论文
2020	Weakly Supervised Silhouette-based Semantic Scene Change Detection	ICRA	项目主页 / 论文
2018	Learning to measure change: Fully convolutional siamese metric networks for scene change detection	arXiv	项目主页 / 论文
2018	ChangeNet: A Deep Learning Architecture for Visual Change Detection	ECCVW	项目主页 / 论文

未提供代码的论文

年份	论文名称	发表会议/期刊
2021	Scene change detection: semantic and depth information	MULTIMED TOOLS APPL
2021	3DCD: Scene Independent End-to-End Spatiotemporal Feature Learning Framework for Change Detection in Unseen Videos	T-IP
2020	Self-supervised simultaneous alignment and change detection	IROS
2020	Better Together: Online Probabilistic Clique Change Detection in 3D Landmark-Based Maps	IROS
2020	Hierarchical Paired Channel Fusion Network for Street Scene Change Detection	T-IP
2020	Mask-CDNet: A mask based pixel change detection network	Neurocomputing
2020	Scene independency matters: An empirical study of scene dependent and scene independent evaluation for CNN-based change detection	T-ITS
2020	CDNet++: Improved Change Detection with Deep Neural Network Feature Correlation	IJCNN
2019	Histogram Shape-Based Scene-Change Detection Algorithm	Access

综述论文

• 待补充

搜集汇总

数据集介绍

构建方式

场景变化检测（SCD）旨在从同一地点不同时间捕获的两幅场景中，定位变化区域并识别变化类别。该数据集汇集了室内与室外两大场景下的公开数据集，如ChangeSim、3RScan、VL-CMU-CD等，涵盖RGB图像、视频及三维点云等多种数据类型。每个数据集均通过提供参考场景（t0时刻）与查询场景（t1时刻）的配对数据，并标注像素级或点级的变化类别，从而构建起用于训练与评估变化检测模型的基准资源。

使用方法

研究者可通过GitHub页面直接获取各子数据集的链接及对应论文，便于下载原始数据与复现代码。数据集支持多种深度学习框架的使用，如PyTorch或TensorFlow，并提供了预训练模型与评估指标（如像素精度、IoU）。用户可依据任务需求（如室内/室外、图像/点云）选择对应子集，并参考附带的论文中的基线方法进行模型训练与性能对比。

背景与挑战

背景概述

场景变化检测（Scene Change Detection, SCD）是计算机视觉与机器人感知领域的一项重要任务，旨在从同一地点不同时刻捕获的两幅场景中，精准定位并分类发生的物体或结构变化。随着自主驾驶、无人机巡检及移动机器人等应用的蓬勃发展，对场景中动态目标与静态环境之间细微差异的感知能力变得尤为关键。该数据集资源库由韩国科学技术院（KAIST）的研究人员于2021年创建，系统梳理了涵盖室内与室外环境的多个代表性数据集，如ChangeSim、3RScan及VL-CMU-CD等，为评估不同光照、视角及动态干扰下的变化检测算法提供了标准化基准。其核心研究问题聚焦于如何区分目标变化（如物体位移）与非目标变化（如光照波动），从而推动鲁棒且可泛化的视觉感知模型的发展。

当前挑战

场景变化检测面临的核心挑战在于环境动态性与语义歧义性之间的复杂交织。首先，光照、阴影及季节更替等环境波动极易引发误检，模型需具备对非目标变化的强鲁棒性。其次，点云与RGB图像等异构数据间的时空对齐精度不足，导致变化定位存在偏差。构建过程中，真实场景中变化类型的稀疏性与标注成本高昂形成矛盾，现有数据集如ChangeSim虽通过仿真引擎生成可控变化，却难以完全复现真实世界中的连续动态。此外，跨场景泛化能力薄弱，室内外环境差异显著，且缺乏统一的多类别语义标注体系，制约了大规模端到端学习框架的迁移效能。

常用场景

经典使用场景

场景变化检测（Scene Change Detection, SCD）作为计算机视觉与机器人感知领域的关键技术，致力于在相同地理位置、不同时间捕获的两帧场景中精准定位并分类变化区域。该数据集汇总了涵盖室内与室外环境的丰富资源，典型应用包括利用RGB-D图像或三维点云数据，在自主导航、无人机巡检及移动机器人作业中识别物体位移、新增或移除等有目的性变化，同时排除光照、视角等环境波动带来的干扰。经典使用场景聚焦于像素级或点级预测，通过对比参考场景与查询场景，实现对动态环境的细粒度理解，为后续决策提供可靠依据。

解决学术问题

该数据集体系系统性地回应了长期环境感知中的核心学术挑战，即如何区分语义性变化与非目标性环境变异。在机器人视觉研究中，传统方法常受限于光照变化、季节性更替或传感器噪声导致的误检。通过提供如ChangeSim、3RScan等标注精细的基准，研究者得以开发能够鲁棒分离真实变化与伪变化的算法，推动变化检测从简单场景迈向复杂、长时域的真实世界应用。这一进展不仅提升了地图更新的准确性，也为动态物体发现、场景一致性维护等课题奠定了方法论基础，极大促进了视觉SLAM与自主系统领域的理论深化。

实际应用

在实际部署中，场景变化检测技术展现出广泛的应用价值。在自动驾驶领域，它被用于高清地图的持续维护，通过及时捕捉道路施工、临时障碍或标识变更来确保导航系统的实时性与安全性。对于服务机器人，该技术赋能其在家庭或办公环境中感知家具挪动、物品增减，从而优化交互策略与路径规划。此外，在公共安全监控中，基于SCD的系统能够自动识别异常事件，如遗留物体或结构损坏，为智能安防提供高效预警。这些应用均依赖于对变化区域的精确分割与分类，从而在动态世界中实现稳定、可靠的自主操作。

数据集最近研究

最新研究方向

场景变化检测（SCD）作为机器人视觉领域的关键技术，正从传统像素级分类向多模态、跨时空的语义理解演进。当前研究聚焦于动态环境下的鲁棒性提升，例如利用深度神经网络融合RGB-D图像与点云数据，以应对光照变化、视角偏移等非目标干扰。基于自监督学习的对齐与变化检测协同框架成为热点，其通过无标注数据训练模型区分语义变迁与噪声波动，显著提升了在自动驾驶高精地图更新、无人机巡检等实时场景中的适应性。此外，面向室内外复杂场景的端到端时空特征学习网络备受关注，如DR-TANet的动态感受野机制与Mask-CDNet的掩码精细化策略，均致力于在保持计算效率的同时增强对微小目标变化的敏感性。这些研究不仅推动了机器人长期自主导航的可靠性，也为智慧城市中基础设施动态监测提供了可扩展的解决方案。