ChangeFlow -- Flujo Rectificado Latente para Detección de Cambios en Teledetección

Resumen

La detección de cambios mediante teledetección (RSCD) tiene como objetivo localizar cambios entre dos imágenes de la misma región geográfica. En la práctica, las máscaras de cambio suelen seguir convenciones de anotación a nivel de región en lugar de diferencias puramente locales de apariencia, lo que las hace dependientes del contexto y, ocasionalmente, ambiguas. La mayoría de los métodos de última generación utilizan clasificación discriminativa por píxel, que produce una única predicción por entrada y no logra modelar explícitamente la región cambiada como un todo coherente. Una alternativa natural es la formulación generativa, que puede modelar una distribución de máscaras plausibles, permitiendo el muestreo para capturar ambigüedad y fomentar la consistencia global. Sin embargo, los enfoques generativos existentes para RSCD suelen quedar rezagados respecto a las líneas base discriminativas sólidas debido al alto costo computacional de la generación en el espacio de píxeles y a la complejidad de sus mecanismos de condicionamiento. Para abordar las limitaciones de los métodos discriminativos y generativos previos, proponemos ChangeFlow, un marco generativo que reformula la detección de cambios como la síntesis de una máscara de cambio en el espacio latente mediante flujo rectificado. ChangeFlow se guía por una señal de condicionamiento estructurada pero liviana, y su diseño estocástico respalda naturalmente el ensamblado de predicciones basado en muestreo. En concreto, la agregación de múltiples máscaras de cambio predichas mejora la robustez, mientras que el acuerdo entre muestras proporciona una estimación de confianza práctica que resalta regiones ambiguas. En cuatro puntos de referencia, ChangeFlow alcanza un F1 promedio del 80.4 %, mejorando en 1.3 puntos en promedio respecto al mejor método anterior, manteniendo una velocidad de inferencia comparable a líneas base sólidas recientes. Página del proyecto: https://blaz-r.github.io/changeflow_cd

English

Remote sensing change detection (RSCD) aims to localise changes between two images of the same geographic region. In practice, change masks often follow region-level annotation conventions rather than purely local appearance differences, making them context-dependent and occasionally ambiguous. Most state-of-the-art methods utilise per-pixel discriminative classification, which produces a single prediction per input and fails to explicitly model the changed region as a coherent whole. A natural alternative is generative formulation, which can model a distribution of plausible masks, enabling sampling to capture ambiguity and encourage global consistency. However, existing generative RSCD approaches typically lag behind strong discriminative baselines due to the high computational cost of pixel-space generation and the complexity of their conditioning mechanisms. To address the limitations of prior discriminative and generative methods, we propose ChangeFlow, a generative framework that reformulates change detection as the synthesis of a change mask in latent space via rectified flow. ChangeFlow is guided by a structured yet lightweight conditioning signal, and its stochastic design naturally supports sampling-based prediction ensembling. Namely, aggregating multiple predicted change masks improves robustness, while sample agreement provides a practical confidence estimation that highlights ambiguous regions. Across four benchmarks, ChangeFlow achieves an average F1 of 80.4\%, improving by 1.3 points on average over the previous best method, while maintaining inference speed comparable to recent strong baselines. Project page: https://blaz-r.github.io/changeflow_cd