論文の概要: RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection

• arxiv url: http://arxiv.org/abs/2601.11898v1
• Date: Sat, 17 Jan 2026 03:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.364295
• Title: RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection
• Title（参考訳）: RemoteVAR:リモートセンシング変更検出のための自動回帰視覚モデリング
• Authors: Yilmaz Korkmaz, Vishal M. Patel,
• Abstract要約: リモートセンシングによる変化検出は、環境モニタリングや災害評価といった応用の中心である。 視覚的自己回帰モデルは最近、印象的な画像生成能力を示しているが、画素レベルの識別タスクへの採用は、制御性の弱さ、最適下層予測性能、露出バイアスによって制限されている。 本稿では,これらの制約に対処する新しいVARベースの変化検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 52.32112533846212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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 \href{https://github.com/yilmazkorkmaz1/RemoteVAR}{\underline{here}}.
• Abstract（参考訳）: リモートセンシング変化検出は2つの時間点間のシーン変化を局所化し特徴付けることを目的としており、環境モニタリングや災害評価などの応用の中心となっている。 一方、視覚的自己回帰モデル(VAR)は、画像生成能力が著しく向上しているが、画素レベルの識別タスクへの採用は、弱い制御性、準最適密度予測性能、露出バイアスによって制限されている。 マルチレゾリューションの融合した両時間特徴に対する自己回帰予測をクロスアテンションにより条件付けし、変更マップ予測に特化して設計された自己回帰学習戦略を採用することで、これらの制約に対処する新しいVARベースの変更検出フレームワークであるRemoteVARを導入する。 標準の変更検出ベンチマークに関する大規模な実験により、RemoteVARは強力な拡散ベースとトランスフォーマーベースのベースラインよりも一貫性があり、大幅に改善されていることが示され、リモートセンシング変更検出の競合する自動回帰代替手段が確立された。 コードは href{https://github.com/yilmazkorkmaz1/RemoteVAR}{\underline{here}} で利用できる。

関連論文リスト

• Referring Change Detection in Remote Sensing Imagery [49.841833753558575]
  本稿では、自然言語のプロンプトを利用してリモートセンシング画像の変化の特定のクラスを検出するReferring Change Detection (RCD)を紹介する。 我々は, (I) textbfRCDNet, (II) textbfRCDGen, (II) 拡散型合成データ生成パイプラインからなる2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-12T16:57:12Z)
• Consistency Change Detection Framework for Unsupervised Remote Sensing Change Detection [25.281172690282258]
  教師なしリモートセンシング変化検出は、同じ幾何学的領域におけるマルチ時間リモートセンシング画像からの変化を異なる時間で監視し、分析することを目的としている。 従来の教師なし手法は, ジェネレータネットワークによる再構築により, 多時間リモートセンシング画像間のスタイル転送を実現する。 本稿では,この課題に対処する新しい一貫性変化検出フレームワーク(CCDF)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T02:28:02Z)
• SegChange-R1: LLM-Augmented Remote Sensing Change Detection [7.156844376973501]
  大規模言語モデル(LLM)拡張推論手法(SegChange-R1)を提案する。 モーダルな不整合に対処する線形注意型空間変換モジュール(BEV)を設計した。 広く使われている4つのデータセットの実験は、既存の方法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-06-22T08:40:56Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Hierarchical Attention Diffusion Networks with Object Priors for Video Change Detection [0.0]
  本稿では,インスタンスレベルのマスキング,デノナイズ拡散モデル内のマルチスケールアテンション,ピクセル単位のセマンティック分類を組み合わせた一元的変更検出パイプラインを提案する。 従来の違い、シームズCNN、GANベースの検出器をF1とIoUで10-25ポイント上回っている。
  論文  参考訳（メタデータ） (2024-08-20T07:54:08Z)
• Single-Temporal Supervised Learning for Universal Remote Sensing Change Detection [21.622442722863028]
  広帯域リモートセンシングによる変化検出のための単一時間教師あり学習(STAR)を提案する。 Starは、未ペアラベル画像のみを使用して、高精度な変化検知器を訓練することを可能にする。 ChangeStar2は、8つのパブリックリモートセンシング変更検出データセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-06-22T00:03:21Z)
• An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
  本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。 RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。 RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
  論文  参考訳（メタデータ） (2022-04-06T13:38:11Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。