RemoteVAR: Modelagem Visual Autorregressiva para Detecção de Mudanças em Sensoriamento Remoto
RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection
January 17, 2026
Autores: Yilmaz Korkmaz, Vishal M. Patel
cs.AI
Resumo
A detecção de alterações por sensoriamento remoto visa localizar e caracterizar mudanças na cena entre dois pontos no tempo e é fundamental para aplicações como monitoramento ambiental e avaliação de desastres. Entretanto, os modelos visuais autorregressivos (VARs) têm demonstrado recentemente capacidade impressionante de geração de imagens, mas a sua adoção para tarefas discriminativas a nível de pixel permanece limitada devido à fraca controlabilidade, desempenho subótimo em previsão densa e ao viés de exposição. Apresentamos o RemoteVAR, uma nova estrutura de detecção de alterações baseada em VAR que aborda estas limitações, condicionando a previsão autorregressiva em características bitemporais fundidas em multi-resolução via atenção cruzada, e empregando uma estratégia de treino autorregressiva concebida especificamente para a previsão de mapas de alteração. Experimentos extensivos em benchmarks padrão de detecção de alterações mostram que o RemoteVAR oferece melhorias consistentes e significativas sobre linhas de base fortes baseadas em difusão e em transformers, estabelecendo uma alternativa autorregressiva competitiva para a detecção de alterações em sensoriamento remoto. O código estará disponível em 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}.