ChangeFlow -- Latent Rectified Flow for Change Detection in Remote Sensing

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

📋 한 줄 요약

**[원격 탐사 / Diffusion]** 잠재 공간 rectified flow로 변화 마스크를 생성하여 원격 탐사 변화 탐지의 모호성을 다루는 ChangeFlow.

🎯 핵심 기여도

변화 탐지를 픽셀별 판별 분류가 아닌 **잠재 공간에서의 마스크 생성**으로 재구성
Rectified flow 기반의 **경량 생성 프레임워크** ChangeFlow 제안 (구조화된 가벼운 조건 신호로 가이드)
**샘플 기반 예측 앙상블**로 강건성 향상 및 샘플 일치도로 모호 영역에 대한 실용적 신뢰도 추정 제공
4개 벤치마크 평균 F1 80.4% (이전 SOTA 대비 +1.3pt), 최근 강한 베이스라인과 비슷한 추론 속도 유지

💡 핵심 아이디어

변화 마스크는 지역 단위 어노테이션 관례를 따르므로 문맥 의존적이고 때로 모호하다. 기존 판별형 방법은 입력당 단일 예측만 내놓아 변화 영역을 하나의 일관된 전체로 모델링하지 못한다. 생성형은 가능한 마스크 분포를 모델링할 수 있지만 픽셀 공간 생성 비용이 컸다 — 잠재 공간 rectified flow가 두 단점을 동시에 해결.

🔬 기술적 접근법

**모델/방법론**: 잠재 공간 rectified flow로 변화 마스크 합성
**핵심 기법**: (1) 가벼운 구조화 조건 신호로 흐름 모델 가이드, (2) 추론 시 다중 샘플링으로 예측 앙상블, (3) 샘플 간 일치도를 신뢰도 지표로 활용해 모호 영역 강조

📊 주요 결과

4개 벤치마크 평균 F1 80.4%
이전 최고 기법 대비 +1.3 F1
추론 속도가 강한 베이스라인과 비슷

💭 의의 및 한계

**의의**: 변화 탐지에서 생성형이 판별형을 능가할 수 있음을 보였고, 잠재 공간 흐름 모델로 비용 문제를 해소했다. **한계**: 샘플링 앙상블은 단일 패스 대비 추가 연산을 요구하며, 조건 신호 설계가 데이터셋별로 조정될 수 있다.

🚀 실용적 활용

위성 영상 기반 도시 변화·산림 변화·재난 피해 탐지
모호 영역 강조 기능으로 인간 검수 효율화
신뢰도 지도를 다운스트림 정책 결정에 활용