遥感变化检测在城市扩张、灾害评估等领域至关重要，但复杂场景下存在三大核心痛点。
变化目标从细小边界到大范围区域尺度跨度大，单一层级特征难以兼顾定位精度与语义判别能力。
简单差分或拼接易受光照、阴影、季节等伪变化干扰，难以区分真实变化与背景噪声。
编码-解码结构中不同层级特征存在语义冲突与空间偏移，导致小目标遗漏、边界模糊。
HDFNet 由 Siamese 骨干、多尺度差异增强模块（MSDE）与双重特征融合模块（DFF）组成，实现分层差异建模与跨层语义协同。
双时相图像经共享权重的 Seaformer-L 网络提取多尺度层级特征，为后续差异增强提供基础。
Seaformer-L针对浅层高分辨率特征，采用高效多尺度注意力（EMA）强化细粒度变化响应，抑制光照与纹理噪声。
EMA · 多尺度针对深层语义特征，引入坐标注意力（CA）增强结构一致性与空间定位能力，缓解边界模糊。
坐标注意力 · 语义对齐可变形上下文块通过膨胀卷积与可变形卷积自适应补偿局部错位与形变误差，强化结构一致性。
DCN · 膨胀卷积通道自注意力门控（CSAG）筛选语义通道，多尺度空间混合器（MSSM）增强空间对齐，三路动态聚合输出融合特征。
CSAG · MSSM · 动态聚合联合 Focal Loss、Dice Loss 与对比损失（Contrastive Loss），平衡像素级精度与特征空间判别能力。
针对浅层与深层特征分别设计 EMDE 与 CADE，实现从细粒度响应到语义结构一致性的分层增强。
在 LEVIR-CD、WHU-CD、CLCD 和 SYSU-CD 四个数据集上，HDFNet 均取得领先性能。
| 数据集 | 指标 | HA₂F | HDFNet | 提升 |
|---|---|---|---|---|
| LEVIR-CD | F1 (%) | 90.62 | 91.31 | +0.69 |
| LEVIR-CD | IoU (%) | 82.85 | 84.01 | +1.16 |
| WHU-CD | F1 (%) | 92.29 | 94.05 | +1.76 |
| WHU-CD | IoU (%) | 85.68 | 88.77 | +3.09 |
| CLCD | F1 (%) | 76.77 | 78.73 | +1.96 |
| CLCD | IoU (%) | 62.29 | 64.92 | +2.63 |
| SYSU-CD | F1 (%) | 82.57 | 83.46 | +0.89 |
| SYSU-CD | IoU (%) | 70.31 | 71.62 | +1.31 |
在 CLCD 农田场景中，HDFNet 有效抑制地表纹理与阴影伪变化，误检率显著低于对比方法。
在 LEVIR-CD 密集建筑区，预测边界规整连续，小目标轮廓保持完整，漏检减少。
在 WHU-CD 大范围变化场景中，变化区域内部结构一致，无破碎空洞，IoU 达 88.77%。
—— 消融实验验证了多尺度差异增强与双重特征融合策略的有效性。
HDFNet 有效提升复杂场景下遥感变化检测的精度与鲁棒性，并为未来研究提供新方向。
提出 MSDE 模块，针对浅层与深层特征分别设计 EMDE 与 CADE，实现细粒度到语义的层次化差异建模。
DFF 模块通过 CSAG 与 MSSM 实现通道筛选与空间对齐，缓解跨层语义冲突与空间偏移。
加权组合 Focal、Dice 与对比损失，平衡像素级精度与特征判别能力，提升鲁棒性。
适用于城市扩张监测、灾害评估、农业用地调查等复杂场景，具备高精度与强泛化能力。
当前模型在极端光照与严重遮挡场景下仍有提升空间，未来可引入时序信息与多模态数据进一步优化。