ChangeFlow -- Flux rectifié latent pour la détection de changement en télédétection

Résumé

La détection de changements par télédétection (RSCD) vise à localiser les changements entre deux images d'une même région géographique. En pratique, les masques de changement suivent souvent des conventions d'annotation au niveau des régions plutôt que des différences d'apparence purement locales, ce qui les rend dépendants du contexte et parfois ambigus. La plupart des méthodes de pointe utilisent une classification discriminative par pixel, qui produit une seule prédiction par entrée et ne parvient pas à modéliser explicitement la région modifiée comme un ensemble cohérent. Une alternative naturelle est la formulation générative, qui peut modéliser une distribution de masques plausibles, permettant l'échantillonnage pour capturer l'ambiguïté et encourager la cohérence globale. Cependant, les approches génératives existantes en RSCD sont généralement en retard par rapport aux références discriminatives solides en raison du coût de calcul élevé de la génération dans l'espace des pixels et de la complexité de leurs mécanismes de conditionnement. Pour remédier aux limites des méthodes discriminatives et génératives antérieures, nous proposons ChangeFlow, un cadre génératif qui reformule la détection de changement comme la synthèse d'un masque de changement dans un espace latent via un flux redressé. ChangeFlow est guidé par un signal de conditionnement structuré mais léger, et sa conception stochastique supporte naturellement l'ensemble de prédictions basé sur l'échantillonnage. À savoir, l'agrégation de plusieurs masques de changement prédits améliore la robustesse, tandis que l'accord entre échantillons fournit une estimation pratique de la confiance qui met en évidence les régions ambiguës. Sur quatre références, ChangeFlow atteint un F1 moyen de 80,4 %, améliorant de 1,3 point en moyenne par rapport à la meilleure méthode précédente, tout en maintenant une vitesse d'inférence comparable aux récentes références solides. Page du projet : 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