RemoteVAR: Autoregressieve Visuele Modellering voor Veranderingdetectie bij Remote Sensing

RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection

January 17, 2026

Auteurs: Yilmaz Korkmaz, Vishal M. Patel

cs.AI

Samenvatting

Remote sensing veranderingsdetectie heeft als doel om scèneveranderingen tussen twee tijdstippen te lokaliseren en te karakteriseren, en is cruciaal voor toepassingen zoals milieumonitoring en rampenbeoordeling. Visuele autoregressieve modellen (VAR's) hebben recentelijk indrukwekkende beeldgeneratiecapaciteiten getoond, maar hun toepassing voor pixelgebaseerde discriminatieve taken blijft beperkt vanwege zwakke beheersbaarheid, suboptimale dense-prestaties en exposure bias. Wij introduceren RemoteVAR, een nieuw VAR-gebaseerd kader voor veranderingsdetectie dat deze beperkingen aanpakt door autoregressieve voorspelling te conditioneren op multi-resolutie gefuseerde bi-temporele kenmerken via cross-attention, en door een autoregressieve trainingsstrategie te hanteren die specifiek is ontworpen voor de predictie van veranderingskaarten. Uitgebreide experimenten op standaard veranderingsdetectiebenchmarks tonen aan dat RemoteVAR consistente en significante verbeteringen biedt ten opzichte van sterke op diffusie en transformers gebaseerde baseline-modellen, waarmee een competitief autoregressief alternatief voor remote sensing veranderingsdetectie wordt gevestigd. Code zal beschikbaar zijn op 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}.