RemoteVAR: Autoregressive Modellierung visueller Daten zur Fernerkundungsänderungserkennung

RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection

January 17, 2026

papers.authors: Yilmaz Korkmaz, Vishal M. Patel

cs.AI

papers.abstract

Fernerkundungsänderungserkennung zielt darauf ab, Szenenänderungen zwischen zwei Zeitpunkten zu lokalisieren und zu charakterisieren und ist zentral für Anwendungen wie Umweltmonitoring und Katastrophenbewertung. Unterdessen haben visuelle autoregressive Modelle (VARs) kürzlich beeindruckende Bildgenerierungsfähigkeiten gezeigt, doch ihre Anwendung für pixelweise diskriminative Aufgaben bleibt aufgrund schwacher Steuerbarkeit, suboptimaler Dichtevorhersageleistung und Exposuralbias begrenzt. Wir stellen RemoteVAR vor, ein neues VAR-basiertes Framework zur Änderungserkennung, das diese Einschränkungen adressiert, indem es die autoregressive Vorhersage auf multi-resolutionell fusionierte bi-temporale Merkmale via Cross-Attention konditioniert und eine autoregressive Trainingsstrategie einsetzt, die speziell für die Vorhersage von Änderungskarten entwickelt wurde. Umfangreiche Experimente mit standardisierten Änderungserkennungs-Benchmarks zeigen, dass RemoteVAR durchgängige und signifikante Verbesserungen gegenüber starken diffusionsbasierten und transformerbasierten Baseline-Modellen erzielt und damit eine wettbewerbsfähige autoregressive Alternative für die Fernerkundungsänderungserkennung etabliert. Der Code wird unter https://github.com/yilmazkorkmaz1/RemoteVAR verfügbar sein.

English

Remote sensing change detection aims to localize and characterize scene changes between two time points and is central to applications such as environmental monitoring and disaster assessment. Meanwhile, visual autoregressive models (VARs) have recently shown impressive image generation capability, but their adoption for pixel-level discriminative tasks remains limited due to weak controllability, suboptimal dense prediction performance and exposure bias. We introduce RemoteVAR, a new VAR-based change detection framework that addresses these limitations by conditioning autoregressive prediction on multi-resolution fused bi-temporal features via cross-attention, and by employing an autoregressive training strategy designed specifically for change map prediction. Extensive experiments on standard change detection benchmarks show that RemoteVAR delivers consistent and significant improvements over strong diffusion-based and transformer-based baselines, establishing a competitive autoregressive alternative for remote sensing change detection. Code will be available https://github.com/yilmazkorkmaz1/RemoteVAR{here}.