論文の概要: DiffRegCD: Integrated Registration and Change Detection with Diffusion Features

• arxiv url: http://arxiv.org/abs/2511.07935v1
• Date: Wed, 12 Nov 2025 01:29:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.555278
• Title: DiffRegCD: Integrated Registration and Change Detection with Diffusion Features
• Title（参考訳）: DiffRegCD:拡散特徴を用いた統合登録と変更検出
• Authors: Seyedehnanita Madani, Rama Chellappa, Vishal M. Patel,
• Abstract要約: DiffRegCDは、単一のモデルで密度の高い登録と変更検出を統一する統合フレームワークである。 空中(LEVIR-CD, DSIFN-CD, WHU-CD, SYSU-CD)と地上(VL-CMU-CD)のデータセットによる実験は、DiffRegCDが最近のベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 74.3102451211493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Change detection (CD) is fundamental to computer vision and remote sensing, supporting applications in environmental monitoring, disaster response, and urban development. Most CD models assume co-registered inputs, yet real-world imagery often exhibits parallax, viewpoint shifts, and long temporal gaps that cause severe misalignment. Traditional two stage methods that first register and then detect, as well as recent joint frameworks (e.g., BiFA, ChangeRD), still struggle under large displacements, relying on regression only flow, global homographies, or synthetic perturbations. We present DiffRegCD, an integrated framework that unifies dense registration and change detection in a single model. DiffRegCD reformulates correspondence estimation as a Gaussian smoothed classification task, achieving sub-pixel accuracy and stable training. It leverages frozen multi-scale features from a pretrained denoising diffusion model, ensuring robustness to illumination and viewpoint variation. Supervision is provided through controlled affine perturbations applied to standard CD datasets, yielding paired ground truth for both flow and change detection without pseudo labels. Extensive experiments on aerial (LEVIR-CD, DSIFN-CD, WHU-CD, SYSU-CD) and ground level (VL-CMU-CD) datasets show that DiffRegCD consistently surpasses recent baselines and remains reliable under wide temporal and geometric variation, establishing diffusion features and classification based correspondence as a strong foundation for unified change detection.
• Abstract（参考訳）: 変化検出(CD)は、コンピュータビジョンとリモートセンシングの基礎であり、環境モニタリング、災害対応、都市開発における応用をサポートする。 ほとんどのCDモデルは、共登録された入力を仮定するが、現実のイメージは、しばしばパララックス、視点シフト、および深刻な誤認識を引き起こす長い時間的ギャップを示す。 最初に登録し、次に検出する伝統的な2段階の手法と、最近の共同フレームワーク(例えば、BiFA、ChangeRD)は、回帰のみの流れ、大域的ホモグラフ、あるいは合成摂動に依存して、大きな変位の下で依然として苦戦している。 DiffRegCDは、単一のモデルで密度の高い登録と変更検出を統一する統合フレームワークである。 DiffRegCDは、ガウススムーズな分類タスクとして対応推定を再構成し、サブピクセル精度と安定したトレーニングを実現する。 予め訓練されたデノナイジング拡散モデルから凍結したマルチスケール特徴を活用し、照明や視点の変化に対する堅牢性を確保する。 スーパービジョンは、標準CDデータセットに適用される制御されたアフィン摂動を通じて提供され、擬似ラベルなしでフローと変化検出の両方に対してペア化された基底真理を与える。 航空(LEVIR-CD, DSIFN-CD, WHU-CD, SYSU-CD)および地上レベル(VL-CMU-CD)データセットの大規模な実験により、DiffRegCDは最近のベースラインを一貫して超え、時間的および幾何学的変動の下で信頼性を保ち、拡散特性と分類に基づく対応を統合変化検出の強力な基盤として確立した。

関連論文リスト

• Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
  既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。 拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。 LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
  論文  参考訳（メタデータ） (2025-11-11T08:40:28Z)
• Exploring Generalizable Pre-training for Real-world Change Detection via Geometric Estimation [15.50183955507315]
  我々は「MatchCD」と呼ばれる幾何学的推定を伴う自己超越動機付CDフレームワークを提案する。 提案したMatchCDフレームワークは、ゼロショット機能を利用して、自己教師付きコントラスト表現でエンコーダを最適化する。 フルフレームイメージを小さなパッチに分割する必要がある従来の変更検出とは異なり、MatchCDフレームワークはオリジナルの大規模イメージを直接処理できる。
  論文  参考訳（メタデータ） (2025-04-19T14:05:39Z)
• Toward distortion-aware change detection in realistic scenarios [16.192695430837443]
  そこで本研究では,CDタスクにおける時間的幾何学的歪みに対する再利用可能な自己教師型フレームワークを提案する。 このフレームワークはPretext Representation Pre-training, Bitemporal Image Alignment, Down-stream Decoder Fine-Tuningで構成されている。 シングルステージの事前トレーニングのみで、フレームワークの重要なコンポーネントは、バイテンポラルイメージアライメントの補助として再利用することができる。
  論文  参考訳（メタデータ） (2024-01-10T13:43:06Z)
• Deep-Learning-based Change Detection with Spaceborne Hyperspectral PRISMA data [0.0]
  変化検出(CD)法は、光データに何十年も適用されてきたが、スペクトル分解能の細かい超スペクトルデータの使用はめったに研究されていない。 PRecursore IperSpettrale della Missione operativA (PRISMA)により、宇宙からのハイパースペクトルCDが可能になった。 本研究は,自然から都市に至るまで,様々な目標に対して,標準およびディープラーニング(DL)CD手法を適用した。
  論文  参考訳（メタデータ） (2023-10-20T16:22:53Z)
• GCD-DDPM: A Generative Change Detection Model Based on Difference-Feature Guided DDPM [7.922421805234563]
  深層学習法は近年,バイテンポラルチェンジ検出(CD)において大きな可能性を秘めている 本研究は,CDマップを直接生成するGCD-DDPMと呼ばれる生成的変化検出モデルを提案する。 4つの高解像度CDデータセットの実験により、提案したGCD-DDPMの優れた性能が確認された。
  論文  参考訳（メタデータ） (2023-06-06T05:51:50Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)
• Revisiting Consistency Regularization for Semi-supervised Change Detection in Remote Sensing Images [60.89777029184023]
  教師付きクロスエントロピー(CE)損失に加えて、教師なしCD損失を定式化する半教師付きCDモデルを提案する。 2つの公開CDデータセットを用いて実験を行った結果,提案手法は教師付きCDの性能に近づきやすいことがわかった。
  論文  参考訳（メタデータ） (2022-04-18T17:59:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。