ChangeFlow – Latente Rectified Flow voor Veranderingsdetectie in Remote Sensing

Samenvatting

Teledetectieveranderingsdetectie (RSCD) heeft als doel veranderingen te lokaliseren tussen twee beelden van hetzelfde geografische gebied. In de praktijk volgen veranderingsmaskers vaak annotatieconventies op regio niveau in plaats van puur lokale verschilverschijnselen, waardoor ze contextafhankelijk en soms ambigu zijn. De meeste state-of-the-art methoden gebruiken per-pixel discriminatieve classificatie, die één enkele voorspelling per invoer produceert en er niet in slaagt het veranderde gebied expliciet als een coherent geheel te modelleren. Een natuurlijk alternatief is een generatieve formulering, die een verdeling van plausibele maskers kan modelleren, waardoor bemonstering mogelijk wordt om ambiguïteit vast te leggen en globale consistentie te bevorderen. Bestaande generatieve RSCD-methoden blijven echter doorgaans achter bij sterke discriminatieve baselines vanwege de hoge rekenkosten van pixelruimtegeneratie en de complexiteit van hun conditioneringsmechanismen. Om de beperkingen van eerdere discriminatieve en generatieve methoden aan te pakken, stellen we ChangeFlow voor, een generatief raamwerk dat veranderingsdetectie herformuleert als de synthese van een veranderingsmasker in latente ruimte via rectified flow. ChangeFlow wordt geleid door een gestructureerd maar lichtgewicht conditionering signaal, en het stochastische ontwerp ondersteunt van nature op bemonstering gebaseerde voorspellingsensembles. Het aggregeren van meerdere voorspelde veranderingsmaskers verbetert namelijk de robuustheid, terwijl steekproefovereenkomst een praktische betrouwbaarheidsschatting biedt die ambigue gebieden benadrukt. Over vier benchmarks heen behaalt ChangeFlow een gemiddelde F1 van 80,4%, een verbetering van gemiddeld 1,3 punt ten opzichte van de vorige beste methode, terwijl de inferentiesnelheid vergelijkbaar blijft met recente sterke baselines. Projectpagina: 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