RemoteVAR: Авторегрессионное визуальное моделирование для дистанционного обнаружения изменений

RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection

January 17, 2026

Авторы: Yilmaz Korkmaz, Vishal M. Patel

cs.AI

Аннотация

Задача обнаружения изменений по данным дистанционного зондирования заключается в локализации и характеристике изменений на сцене между двумя моментами времени и является ключевой для таких приложений, как мониторинг окружающей среды и оценка последствий стихийных бедствий. В то же время визуальные авторегрессионные модели (VAR) недавно продемонстрировали впечатляющие возможности генерации изображений, но их применение для задач пиксельной дискриминации остается ограниченным из-за слабой управляемости, неоптимальной производительности при плотном прогнозировании и смещения воздействия. Мы представляем RemoteVAR — новую систему обнаружения изменений на основе VAR, которая устраняет эти ограничения за счет обусловливания авторегрессионного прогноза мультиразрешенными слиянными разновременными признаками с помощью перекрестного внимания, а также за счет использования стратегии авторегрессионного обучения, специально разработанной для прогнозирования карты изменений. Многочисленные эксперименты на стандартных бенчмарках обнаружения изменений показывают, что RemoteVAR обеспечивает стабильное и значительное улучшение по сравнению с сильными базовыми методами на основе диффузионных моделей и трансформеров, устанавливая конкурентоспособную авторегрессионную альтернативу для обнаружения изменений в дистанционном зондировании. Код будет доступен по адресу 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}.