近期，由北京理工大学信息与电子学院杨志如、张蒙蒙老师、高云浩老师、王俊杰老师和李伟教授共同合作完成的遥感图像异常检测研究取得重要进展。成果论文《UniNAD: A Unified Normality-Aware Framework for Anomaly Detection via Self-Supervised Learning》已被图像处理领域顶级期刊 IEEE Transactions on Image Processing（SCI一区，影响因子IF= 15.3）接收。

遥感异常检测旨在从复杂地表观测数据中识别偏离正常背景分布的异常像素或区域，在国防安全、灾害监测、环境保护和资源调查等领域具有重要应用价值。与传统目标检测任务不同，遥感异常检测通常缺乏明确的目标类别先验和充足的异常样本标注，需要从正常背景中学习有效的判别依据。

然而，现有方法大多依赖单幅图像的背景统计建模，或针对特定场景单独训练检测模型。当成像传感器、观测环境及地物组成发生变化时，已学习的背景表征往往难以直接迁移。同时，高光谱、多光谱和 RGB 图像在光谱信息与空间结构方面存在显著差异，进一步增加了统一建模的难度。因此，如何利用正常背景数据学习具有迁移能力的背景表征，并在不同成像模态下实现可靠的异常检测，是当前遥感异常检测领域值得关注的问题。

图1 传统场景独立建模方法与 UniNAD 统一异常检测框架对比示意图

针对上述问题，研究提出了统一的感知正常背景分布的异常检测框架 UniNAD。该框架以背景数据为训练基础，通过自监督学习建立可迁移的背景表征机制，在不使用异常样本进行训练的情况下，实现不同遥感成像模态下的异常检测，且测试阶段无需针对单个异常场景重新训练。

图2 UniNAD总体框架

在特征提取方面，设计了基于 Mamba 的光谱—空间稀疏编码模块（MS³E），分别从光谱维度和空间维度建模长程依赖关系，并通过重要性感知的稀疏特征选择与自适应融合，提取复杂背景下具有判别性的光谱—空间特征。在背景建模方面，研究引入预训练视觉基础模型 DINOv3 提取高层语义信息，并设计背景原型集提取模块，通过可学习查询与稀疏交叉注意力机制，从融合特征中提取具有代表性的背景原型，刻画不同场景中的背景结构。

图3 光谱—空间稀疏编码模块（MS³E）

进一步地，提出原型引导重建模块（PGR），利用背景原型作为参考，引导网络重建输入图像中的背景一致性结构，降低异常区域被过度重建的影响。在此基础上，结合原始数据重建残差、RGB 重建残差以及特征与背景原型之间的距离，构建互补的异常判别依据，生成最终异常检测结果。

图4 背景原型集提取模块和原型引导重建模块（PGR）

研究在 HAD100 高光谱异常检测数据集、MUDCAD-X128 多光谱数据集和毕节市遥感滑坡 RGB 数据集上开展了系统实验，并与多种传统统计方法和深度学习方法进行了对比。在 HAD100 高光谱数据集上，UniNAD 的平均精度（mAP）达到 0.7766，优于对比方法中表现最好的 FERD（0.6859），提升了 9.07 个百分点。在 MUDCAD-X128 多光谱数据集上，方法取得 0.9202 的 mAUC 和 0.4594 的 mF1-max，均优于对比方法。在毕节市 RGB 滑坡数据集上，所提方法的mAUC、mAP 和 mF1-max 分别较最优对比方法提高 3.05、8.62 和 3.23 个百分点。

图5 三个数据集的异常检测结果对比。(a) RX, (b) 2S-GLRT, (c) CTAD, (d) LREN, (e) GT-HAD,(f) BSDM, (g) DFAN, 

(h) One-Step, (i) AUDNet, (j) AETNet, (k) FERD, (l) STAD, (m) UniADRS, (n) Ours, (o) Ground Truth, (p) RGB reference.

UniNAD利用正常背景样本动态提取场景自适应背景原型，并引导图像重建，以刻画正常背景的纹理、光谱和空间结构，辅助识别异常区域。该研究为复杂遥感场景下的异常检测提供了新的建模思路，有助于推动自监督学习与视觉基础模型在多模态遥感图像智能解译中的应用。

论文题目：UniNAD: A Unified Normality-Aware Framework for Anomaly Detection via Self-Supervised Learning

DOI: 10.1109/TIP.2026.3749120