ChangeFlow -- Fluxo Retificado Latente para Detecção de Mudanças em Sensoriamento Remoto

Resumo

A detecção de mudanças em sensoriamento remoto (DMSR) tem como objetivo localizar alterações entre duas imagens da mesma região geográfica. Na prática, as máscaras de mudança frequentemente seguem convenções de anotação a nível de região, em vez de diferenças puramente locais de aparência, tornando-as dependentes do contexto e, ocasionalmente, ambíguas. A maioria dos métodos de ponta utiliza classificação discriminativa por pixel, que produz uma única previsão por entrada e não modela explicitamente a região alterada como um todo coerente. Uma alternativa natural é a formulação generativa, que pode modelar uma distribuição de máscaras plausíveis, permitindo a amostragem para capturar ambiguidade e promover consistência global. No entanto, as abordagens generativas existentes para DMSR geralmente ficam atrás de fortes linhas de base discriminativas devido ao alto custo computacional da geração no espaço de pixels e à complexidade de seus mecanismos de condicionamento. Para superar as limitações dos métodos discriminativos e generativos anteriores, propomos o ChangeFlow, uma estrutura generativa que reformula a detecção de mudanças como a síntese de uma máscara de mudança no espaço latente por meio de fluxo retificado. O ChangeFlow é guiado por um sinal de condicionamento estruturado, porém leve, e seu design estocástico suporta naturalmente o ensemble de previsões baseado em amostragem. Ou seja, agregar múltiplas máscaras de mudança previstas melhora a robustez, enquanto o acordo entre amostras fornece uma estimativa prática de confiança que destaca regiões ambíguas. Em quatro conjuntos de referência, o ChangeFlow atinge um F1 médio de 80,4%, melhorando em 1,3 pontos percentuais em média em relação ao melhor método anterior, mantendo uma velocidade de inferência comparável a linhas de base fortes recentes. Página do projeto: 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