RemoteVAR: Modelado Visual Autoregresivo para la Detección de Cambios en Teledetección

RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection

January 17, 2026

Autores: Yilmaz Korkmaz, Vishal M. Patel

cs.AI

Resumen

La detección de cambios por teledetección tiene como objetivo localizar y caracterizar modificaciones en escenas entre dos instantes temporales, siendo fundamental en aplicaciones como la monitorización ambiental y la evaluación de desastres. Paralelamente, los modelos visuales autorregresivos (VAR) han demostrado recientemente una capacidad impresionante para la generación de imágenes, pero su adopción en tareas discriminativas a nivel de píxel sigue siendo limitada debido a su escasa controlabilidad, un rendimiento subóptimo en predicción densa y el sesgo de exposición. Presentamos RemoteVAR, un nuevo marco de detección de cambios basado en VAR que aborda estas limitaciones condicionando la predicción autorregresiva sobre características bitemporales fusionadas multi-resolución mediante atención cruzada, y empleando una estrategia de entrenamiento autorregresivo diseñada específicamente para la predicción de mapas de cambio. Experimentos exhaustivos en benchmarks estándar de detección de cambios demuestran que RemoteVAR proporciona mejoras consistentes y significativas respecto a líneas base sólidas basadas en difusión y transformers, estableciendo una alternativa autorregresiva competitiva para la detección de cambios en teledetección. El código estará disponible en https://github.com/yilmazkorkmaz1/RemoteVAR.

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}.