ChangeFlow — латентный выпрямленный поток для обнаружения изменений в дистанционном зондировании

Аннотация

Обнаружение изменений по данным дистанционного зондирования (ОИ ДЗ) направлено на локализацию изменений между двумя изображениями одной и той же географической области. На практике маски изменений часто следуют соглашениям об аннотации на уровне регионов, а не чисто локальным различиям внешнего вида, что делает их контекстно-зависимыми и иногда неоднозначными. Большинство современных методов используют попиксельную дискриминативную классификацию, которая дает одно предсказание на вход и не моделирует явно область изменений как связное целое. Естественной альтернативой является генеративная формулировка, которая позволяет моделировать распределение правдоподобных масок, обеспечивая возможность семплирования для учета неоднозначности и стимулируя глобальную согласованность. Однако существующие генеративные подходы к ОИ ДЗ, как правило, отстают от сильных дискриминативных базовых линий из-за высокой вычислительной стоимости генерации в пиксельном пространстве и сложности их механизмов обуславливания. Для преодоления ограничений предыдущих дискриминативных и генеративных методов мы предлагаем ChangeFlow — генеративную структуру, которая переформулирует обнаружение изменений как синтез маски изменений в латентном пространстве с помощью выпрямленного потока (rectified flow). ChangeFlow управляется структурированным, но легким сигналом обуславливания, а его стохастическая конструкция естественным образом поддерживает ансамблирование предсказаний на основе семплирования. А именно, агрегирование нескольких предсказанных масок изменений повышает устойчивость, в то время как согласие между семплами дает практическую оценку уверенности, которая выделяет неоднозначные области. На четырех эталонных наборах данных ChangeFlow достигает среднего F1 80.4%, улучшая результат в среднем на 1.3 пункта по сравнению с предыдущим лучшим методом, сохраняя при этом скорость вывода, сопоставимую с недавними сильными базовыми линиями. Страница проекта: 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