원격 탐사 파운데이션 모델 (Remote Sensing Foundation Models, RSFMs)은 지구 관측 (Earth Observation)을 위한 지도 학습 모델의 강력한 대안으로 부상하였으며, 위성이 이상 징후를 감지했을 때 자율적으로 고해상도 촬영을 트리거하거나 작업 파라미터를 조정할 수 있게 함으로써 미션의 제한된 전력 및 계산 자원의 효용성을 극대화합니다. RSFMs는 다양한 궤도 애플리케이션을 위해 온보드 저장 공간을 최적화하는 동시에 고충실도 특징 추출 (high-fidelity feature extraction)을 보장하는 다재다능하고 통합된 인코더 (encoders)입니다. 특히, RSFMs를 활용한 비지도 변화 탐지 (unsupervised change detection)는 값비싼 라벨 (labels) 없이도 재난 모니터링을 위한 정보가 풍부하고 혁신적인 경로를 제공합니다. 본 논문에서는 연속적인 궤도 통과 (orbital passes) 사이의 잠재 공간 (latent space)에서 미세한 의미론적 변화 (semantic shifts)를 탐지함으로써 광범위한 이상 징후를 식별하는 ResNet (RSFM) + FPN 기반의 새로운 비지도 탐지 방법을 제시합니다. 학습되지 않은 FPN 아키텍처와 그 고유의 사전 지식 (priors)에 의존함으로써, 이 시스템은 이전의 제안 방식(패치 기반, 학습 필요)에 비해 최소한의 노력(training-free)으로 효율적인 이미지 수준 생성 및 더 높은 해상도의 매핑을 달성합니다. 또한, 맞춤형 모델을 RSFMs로 대체함으로써, 맞춤형 학습 및 광범위한 개발 노력의 필요성을 제거하면서도 커스터마이징을 추가할 수 있으며, 다양한 지형과 센서에 걸쳐 높은 성능의 일반화 (generalization)를 보장하는 접근 방식을 통해 대등한 결과를 얻을 수 있습니다.