ChangeFlow：用于遥感变化检测的潜在整流流
ChangeFlow 是一种基于潜在整流流的生成式遥感变化检测框架，通过将变化掩码合成建模为潜在空间中的整流流，解决了传统判别式方法无法处理区域级标注模糊性的问题。它采用轻量条件信号和随机采样集成，在四个基准上平均 F1 达到 80.4%，优于先前方法且推理速度相当。
ChangeFlow是一种创新的遥感变化检测方法，由Blaž Rolih等人提出，论文于2026年5月14日提交至arXiv。该方法将变化检测重新定义为潜在空间中的整流流生成问题，旨在克服现有判别式和生成式方法的局限性。遥感变化检测（RSCD）的目标是定位同一地理区域两幅图像之间的变化。实际中，变化掩码通常遵循区域级标注约定，而非纯粹的局部外观差异，这使得它们依赖于上下文且有时具有歧义。大多数现有方法采用逐像素判别分类，每个输入仅产生单一预测，无法将变化区域显式建模为一个连贯的整体。生成式公式可以建模可能的掩码分布，通过采样捕捉歧义并促进全局一致性，但现有生成式RSCD方法通常由于像素空间生成的高计算成本以及条件机制的复杂性而落后于强大的判别式基线。
ChangeFlow通过在潜在空间中使用整流流来合成变化掩码，显著降低了计算开销，同时保留了生成式模型的优势。它采用结构化的轻量条件信号引导生成，其随机设计自然支持基于采样的预测集成。通过聚合多个预测的变化掩码，提高了鲁棒性，而样本一致性则提供了实用的置信度估计，能够突出显示模糊区域。在四个基准数据集（包括LEVIR-CD和BCDD等）上，ChangeFlow平均F1达到80.4%，比之前最佳方法平均提高1.3个百分点，同时推理速度与近期强基线（如ChangeFormer）相当。该方法在效率与性能之间取得了良好平衡，为遥感变化检测提供了一种高效且可靠的解决方案。项目页面提供了更多详情和代码链接。