論文の概要: Temporally Ordered Region-Token Mamba with Logit-Space Diffusion for Remote Sensing Change Detection

• arxiv url: http://arxiv.org/abs/2609.27149v1
• Date: Tue, 22 Sep 2026 23:25:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.80121
• Title: Temporally Ordered Region-Token Mamba with Logit-Space Diffusion for Remote Sensing Change Detection
• Title（参考訳）: リモートセンシング変化検出のためのロジット空間拡散を用いた時間順序領域整形マンバ
• Abstract要約: 変化検出のためのバイテンポラルマンバ拡散法を提案する。 時間的に構造化された状態空間モデリングとロジト空間拡散補正を組み合わせる。 F1スコアは93.7%、96.4%、97.8%、99.0%である。
• 参考スコア（独自算出の注目度）: 16.732101397399777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote sensing change detection requires both global reasoning across bitemporal images and precise localization of changed regions. However, dense attention is computationally expensive for high-resolution imagery, while conventional feature fusion and coarse decoding may inadequately separate genuine changes from appearance variations or preserve object boundaries. We present Bitemporal Mamba-Diffusion for Change Detection (BMD-CD), which combines temporally structured state-space modeling with logit-space diffusion refinement. BMD-CD converts deep bitemporal features into region tokens and arranges them in explicit temporal partitions before bidirectional state-space propagation. Its Bitemporal Ordered Mamba Operator enables long-range cross-temporal interaction with linear sequence complexity, while Orthogonal Feature Disentanglement forms a change-oriented output and a complementary rotated output using learned pairwise rotations and unchanged-region consistency. Multiscale decoding then produces coarse change logits, which are refined through a five-step Conditional Diffusion Decoder operating directly in logit space. Experiments on LEVIR-CD, WHU-CD, DSIFN-CD, CDD, and S2Looking demonstrate strong performance across diverse change-detection settings. BMD-CD achieves F1 scores of 93.7%, 96.0%, 97.8%, and 99.0% on the four standard benchmarks and improves 3-pixel Boundary-F1 to 87.7% and 91.4% on LEVIR-CD and WHU-CD, respectively. The full model requires 32.09 GFLOPs and 47 ms per 256 x 256 image pair, while also showing zero-shot transfer to ValaisCD and B-FLAIR-test. Our code is available at https://github.com/Aparup2139/Public_WACV/
• Abstract（参考訳）: リモートセンシングによる変化検出には、両時間画像全体にわたる大域的推論と、変化領域の正確な位置決めが必要である。 しかし、高解像度画像では高密度の注意が計算に高価であるのに対し、従来の特徴融合や粗い復号は外観の変化から真の変化を不適切に分離したり、物体の境界を保ったりすることができる。 本稿では,時間構造状態空間モデリングとロジット空間拡散補正を組み合わせたバイテンポラルマンバ拡散変化検出法(BMD-CD)を提案する。 BMD-CDは、深い両時間的特徴を領域トークンに変換し、双方向状態空間の伝播の前に明示的な時間的分割に配置する。 そのバイテンポラル秩序マンバ演算子は、線形シーケンスの複雑さと長距離の時間的相互作用を可能にする一方、直交特徴分散は、学習されたペアワイド回転と不連続整合性を用いて、変化指向の出力と相補的な回転出力を形成する。 マルチスケールデコーディングは粗い変更ロジットを生成し、ロジット空間で直接動作する5ステップの条件拡散デコーダによって洗練される。 LEVIR-CD, WHU-CD, DSIFN-CD, CDD, S2実験では, 多様な変化検出設定において強い性能を示す。 BMD-CDは4つの標準ベンチマークでF1スコアが93.7%、96.0%、97.8%、99.0%に達し、3ピクセル境界F1を87.7%、LEVIR-CDとWHU-CDで91.4%改善している。 フルモデルでは32.09 GFLOPsと47 ms/256 x 256イメージペアが必要であるが、ValaisCDとB-FLAIR-testへのゼロショット転送も可能である。 私たちのコードはhttps://github.com/Aparup2139/Public_WACV/で利用可能です。

関連論文リスト

• FAF-CD: Frequency-Aware Fusion for Change Detection under Imperfect Multimodal Remote Sensing [11.733678383805897]
  DINOv3-pretrained ConvNeXt encoder と線形複雑VMamba-based decoder を組み合わせた周波数対応ハイブリッドフレームワーク FAF-CD を提案する。 BRIGHT検証では、一致した異種EO-SAR適応により、NeXt2Former-CDよりも清浄で摂動したtc-mIoU/tc-mAPが改善される。 さらに、NeXt2Former-CDと比較して約24GFLOPのコストを削減し、精度を維持または改善した。
  論文  参考訳（メタデータ） (2026-06-02T03:59:34Z)
• 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)
• 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)
• CD-Lamba: Boosting Remote Sensing Change Detection via a Cross-Temporal Locally Adaptive State Space Model [10.063825912217286]
  マンバは、世界的知覚と線形複雑性の利点により、標的領域の変化を特定するために広く応用されている。 Mambaに基づく既存のリモートセンシング変化検出アプローチは、変化領域固有の局所性を効果的に知覚するためにしばしば苦労する。 我々は,グローバルな認識を維持しつつ,変化検出の局所性を効果的に向上させる,新しい局所適応型SSMベースのアプローチCD-Lambaを提案する。
  論文  参考訳（メタデータ） (2025-01-26T08:51:10Z)
• 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。