論文の概要: LDGuid: A Framework for Robust Change Detection via Latent Difference Guidance

• arxiv url: http://arxiv.org/abs/2605.15582v1
• Date: Fri, 15 May 2026 03:45:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.161462
• Title: LDGuid: A Framework for Robust Change Detection via Latent Difference Guidance
• Title（参考訳）: LDGuid:潜時差分誘導によるロバスト変化検出フレームワーク
• Authors: Jiaxuan Zhao, Ali Bereyhi,
• Abstract要約: 本稿では,CDモデルに意味的差異を明示的に学習し,注入するLDGuidフレームワークを提案する。 実験の結果,LDGuidは全ベンチマークでセグメンテーション性能を向上させることがわかった。 以上の結果から,意味差学習はリモートセンシングにおけるCDの堅牢性を大幅に向上させる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 10.098765432618858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern deep learning models for change detection (CD) often struggle to explicitly represent task-relevant semantic differences. This paper proposes the Latent Difference Guidance (LDGuid) framework that explicitly learns and injects semantic differences into CD models. LDGuid deploys adversarial autoencoding to implement a difference embedding (DE) module. The DE module is pretrained via the information bottleneck method, restricting it to learn only task-relevant differences between pre- and post-event samples. The learned latent difference is then used as an explicit guidance signal in the CD model. We validate LDGuid by integrating it into U-Net, BIT, and AERNet baselines for CD and evaluating it on LEVIR-CD, WHU-CD, SVCD, and CaBuAr datasets. Experimental results show that LDGuid enhances segmentation performance across all benchmarks, with particularly remarkable gains in challenging settings affected by spectral noise. The results further highlight the ability of LDGuid in incorporating domain knowledge, such as task-specific spectral indices. Our findings suggest that semantic difference learning can drastically enhance the robustness of CD in remote sensing.
• Abstract（参考訳）: 変化検出(CD)のための現代のディープラーニングモデルは、タスク関連セマンティックな違いを明確に表現するのに苦労することが多い。 本稿では,CDモデルに意味的差異を明示的に学習し,注入するLDGuidフレームワークを提案する。 LDGuidは、差分埋め込み(DE)モジュールを実装するために、逆の自動符号化をデプロイする。 DEモジュールは、インフォメーション・ボトルネック・メソッドを介して事前訓練され、事前および事後サンプル間のタスク関連の違いのみを学習するように制限される。 学習された潜時差は、CDモデルの明示的な誘導信号として使用される。 LEVIR-CD, WHU-CD, SVCD, CaBuArデータセット上で, LDGuidをU-Net, BIT, AERNetベースラインに統合し, LDGuidの有効性を検証した。 実験の結果,LDGuidは全ベンチマークのセグメンテーション性能を向上し,特にスペクトルノイズの影響を受けやすい設定が顕著に向上した。 この結果は、タスク固有のスペクトル指標などのドメイン知識を取り入れたLDGuidの能力をさらに強調する。 以上の結果から,意味差学習はリモートセンシングにおけるCDの堅牢性を大幅に向上させる可能性が示唆された。

関連論文リスト

• How Contrastive Decoding Enhances Large Audio Language Models? [49.26664187543512]
  Contrastive Decoding (CD) は,Large Audio Language Models (LALM) の強化に有効であることが証明された。 本研究はLALMアーキテクチャの異なる4つのCD戦略を体系的に評価する。 オーディオ・アウェア・デコーディングとオーディオ・コントラスト・デコーディングを最も効果的な方法として同定する。
  論文  参考訳（メタデータ） (2026-03-10T06:05:51Z)
• Foundation Model-Driven Semantic Change Detection in Remote Sensing Imagery [12.711361119734542]
  RS基盤モデルPerAにより駆動される意味変化検出(SCD)手法であるPerASCDを提案する。 複雑なSCDデコードパイプラインを単純化するモジュール型カスケードGated Decoder (CG-Decoder) を導入する。 我々のデコーダは、2つの公開ベンチマークデータセット上での最先端(SOTA)性能を達成する。
  論文  参考訳（メタデータ） (2026-02-14T13:56:31Z)
• UniVCD: A New Method for Unsupervised Change Detection in the Open-Vocabulary Era [0.0]
  変化検出(CD)は、多時間観測によるシーン変化を特定し、都市開発や環境モニタリングに広く利用されている。 既存のCD手法の多くは教師あり学習に依存しており、パフォーマンスはデータセットに依存し、高いアノテーションコストがかかる。 凍ったSAM2とCLIP上に構築された教師なしのオープン語彙変化検出手法Unified Open-Vocabulary Change Detection (UniVCD)を提案する。
  論文  参考訳（メタデータ） (2025-12-15T08:42:23Z)
• DiffRegCD: Integrated Registration and Change Detection with Diffusion Features [74.3102451211493]
  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。
  論文  参考訳（メタデータ） (2025-11-11T07:32:19Z)
• Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
  バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。 本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。 IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-24T09:09:20Z)
• A New Learning Paradigm for Foundation Model-based Remote Sensing Change Detection [54.01158175996638]
  変化検出(CD)は、土地被覆の動的過程を観察し解析するための重要な課題である。 本稿では,基盤モデルに基づくCD適応フレームワークであるBi-Temporal Adapter Network (BAN)を提案する。
  論文  参考訳（メタデータ） (2023-12-02T15:57:17Z)
• 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)
• Align, Perturb and Decouple: Toward Better Leverage of Difference Information for RSI Change Detection [24.249552791014644]
  変化検出は、リモートセンシング画像(RSI)解析において広く採用されている手法である。 そこで我々は,アライメント,摂動,デカップリングといった差分情報を完全に活用するための一連の操作を提案する。
  論文  参考訳（メタデータ） (2023-05-30T03:39:53Z)
• Meta-Learning with Variational Semantic Memory for Word Sense Disambiguation [56.830395467247016]
  メタ学習環境におけるWSDのセマンティックメモリモデルを提案する。 我々のモデルは階層的変動推論に基づいており、ハイパーネットワークを介して適応的なメモリ更新ルールを組み込んでいる。 極めて少ないシナリオでの効果的な学習を支援するために,本モデルがWSDで最先端の技術を数ショットで実現していることを示す。
  論文  参考訳（メタデータ） (2021-06-05T20:40:01Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。