ChangeFlow：基于潜空间整流流的遥感变化检测

用潜空间整流流把变化检测重构为掩膜生成，刷新四项基准 SOTA。

前置知识

整流流（Rectified Flow）

整直的轨迹把高斯噪声 $X_0\sim\mathcal{N}(0,I)$ 沿直线输送到数据分布 $X_1$，网络 $v_\theta(X_t,t)$ 学习常速度 $X_1-X_0$。

本文核心框架。理解 ODE 积分、logit-normal 时间步采样都需要它。

扩散 Transformer（DiT）

在潜空间以 Transformer 块堆叠实现的去噪骨干，通过交叉注意力或通道拼接融合条件信号，逐步预测速度场。

ChangeFlow 的骨干。它把双时相条件拼接进 DiT 实现 rectified flow 生成。

VAE 潜空间编码

变分自编码器将图像压到低维潜码，SD-XL VAE 将 $256\times256$ 图像压成 $32\times32\times4$ 的紧凑表示。

论文把二值掩膜三通道复制后送入 SD-XL VAE 编码，是把生成搬到潜空间的关键。

Siamese 编码与特征差

共享权重的孪生编码器对两个时相图像提特征后取绝对差 $\Delta F=|LN(F_1)-LN(F_2)|$，作为时序无关的变化信号。

这是本文的条件信号设计。理解它为什么优于拼接和带符号减法对看懂消融很重要。

采样式集成与置信度

从多个随机噪声生成多个候选掩膜后取平均，预测均值即作为最终输出，像素级均值同时充当模型置信度，反映模型对该区域的不确定性。

生成式模型的天然副产品。区别于判别式需额外置信度头，理解它能体会本文优势。

研究动机

当前遥感变化检测（RSCD）的 SOTA 方法几乎全是逐像素判别式分类，例如 ChangeDINO、BTC、ChangeMamba 等。它们对每个像素独立预测 changed/unchanged，这种目标天然缺乏对「变化区域整体性」的建模——掩膜本应是一个连贯区域，却被切成像素投票。结果是在语义性强、边缘模糊的场景（如 OSCD 低分辨率 Sentinel-2 城区变化、CLCD 农田纹理变化）上漏检严重，且只能输出单一确定性结果，无法表达「变化边界本身就是模糊的」这种语义歧义。此外，标准判别式方法要获得置信度往往需要额外的置信度头或专门损失，工程代价高。

本文的目标是作者希望把 RSCD 从「逐像素二分类」重新表述为「在潜空间内对变化掩膜做整流流生成」问题。具体目标是设计一个轻量但结构化的条件信号，让 DiT 在潜空间中以少量步数（默认 $T=10$）合成全局一致的变化掩膜；同时利用生成模型天然的多样本采样能力，无需额外训练即可得到置信度估计和集成预测，最终在 SYSU/LEVIR/CLCD/OSCD 四个基准上同时取得新的 SOTA 平均 F1，验证范式可行性。

与已有工作不同的是，之前已有的生成式 RSCD 方法（GCD-DDPM、SMDNet）走的是像素空间 DDPM/DDIM 路线：计算昂贵、需要上千步采样，还依赖复杂的注意力或辅助预测器做条件，导致推理速度极慢（GCD-DDPM 仅 0.02 img/s）且性能远落后于判别式方法（平均 F1 仅 49.8%）。ChangeFlow 的独特切入角度是：第一次把「潜空间 + 整流流 + 简洁特征差条件」三者结合到 RSCD 上，既保留了生成式方法的全局一致性建模与天然置信度，又通过整流流的直线轨迹把采样步数压缩到个位数，把生成式方法的实用性拉回到可与判别式方法比肩的水平。

核心方法

ChangeFlow 的核心直觉是：变化掩膜本质上是一个「待合成的二值图像」，而非一堆独立像素。把这件事丢给一个在潜空间里跑整流流的生成器，让它从随机噪声出发、沿着直线轨迹被「推」到真实掩膜分布。配套的关键设计是条件信号——不靠复杂注意力，而是用一个共享权重编码器（默认 DINOv3 ViT-L）分别提两时相特征后取 LayerNorm 后的绝对差 $\Delta F$，再与带噪潜码按通道拼接后送进 DiT。训练时按 logit-normal 在 $t\in[0,1]$ 上采样时刻，按标准 MSE 损失 $\mathcal{L}_{RF}=\|(X_1-X_0)-v_{pred}\|_2^2$ 学习速度场。推理时用 Euler 积分 10 步生成 1 张掩膜，重复 5 次取平均即得最终二值掩膜和置信图。

与已有方法的本质区别在三处：第一，生成空间从像素搬到 VAE 潜空间，二值掩膜的三通道复制被 SD-XL VAE 编为 $32\times32\times4$ 的潜码（Table 1 重建 F1>99.3%、MAE<0.001，几乎无损），生成负担骤降；第二，把 RSCD 从判别式 pixel classification 重写为 rectified flow 的条件分布建模 $p(M|\Delta F)=\int p(M|\Delta F,x_0)p(x_0)dx_0$，因此同一组权重天然支持多次采样和集成，无需任何 retraining；第三，条件信号极简——只用 $|LN(F_1)-LN(F_2)|$，既时序无关又避免复杂架构，Table 3 表明它比拼接方案好 12.4 p.p.、比有符号减法好 7.7 p.p.。

方法步骤详情

训练阶段（Figure 2 上）：(1) 取双时相图像 $(I_1,I_2)$，共享权重 DINOv3 编码器得 $F_1,F_2$，LayerNorm 后取绝对差得 $\Delta F$；(2) 二值掩膜三通道复制后经 SD-XL VAE 编码为 $x_1$；(3) 采噪声 $x_0\sim\mathcal{N}(0,I)$ 与 logit-normal 时刻 $t$，插值得 $x_t=(1-t)x_0+tx_1$；(4) $\Delta F$ 双三次插值后与 $x_t$ 通道拼接送 DiT 预测 $v_{pred}$；(5) MSE 损失 $\|(X_1-X_0)-v_{pred}\|_2^2$ 反传。推理阶段（Figure 2 下）：(1) 重算 $\Delta F$；(2) Euler 法 $T=10$ 步积分 $x_{t+1/T}=x_t+(1/T)\mathcal{M}_\theta([x_t,\Delta F],t)$ 得 $\hat x$；(3) 冻结 VAE 解码，三通道均值取阈值得二值掩膜；(4) 5 次采样均值即集成预测与置信度。

技术新颖性

技术新颖性体现在四个维度。首先，「把二值掩膜用通用 VAE 编码再在潜空间生成」这件事在 RSCD 领域是首次尝试，Table 1 的重建实验是新颖的可行性验证；其次，把 rectified flow 的「常数速度 + 直线路径」性质首次与遥感变化检测任务结合，相比像素空间扩散（1000 步）只需 10 步即可收敛；第三，采样即集成的机制是判别式方法做不到的，作者用它同时给出置信度估计（Figure 4 最右列），这在 RSCD 领域属于新工具；第四，结构化但极简的条件信号 $|LN(F_1)-LN(F_2)|$ 是经过精心消融（Table 3）选出的「刚刚好」的设计，取代了之前生成式 RSCD 方法中复杂的注意力机制或辅助预测器，从工程上也具有新颖性。

实验结果

主结果（Table 2）显示 ChangeFlow(10 step, 5 rep) 在 SYSU/LEVIR/CLCD/OSCD 上分别取得 85.6%/92.1%/84.5%/59.5% F1，平均 80.4%，比 ChangeDINO（79.1%）提升 1.3 p.p.，刷新 SYSU/CLCD/OSCD 三项 SOTA。速度 10 步 5 复现 8.1 img/s 与 ChangeDINO 相当，1 步 5 复现 15.3 img/s 已超 ChangeDINO。Table 1 证明 SD-XL VAE 重建二值掩膜无损（F1 ≥ 99.3%、MAE ≤ 0.0007）。Table 3 消融显示绝对差+LayerNorm 比带符号减法高 7.7 p.p.、比拼接高 12.4 p.p.。Table 4 显示 DINOv3（80.4%）优于 DINOv2（75.8%）。Table 5 显示潜空间维数 4 的 SD-XL VAE 优于维数 16 SD 3.5。Figure 5-6 显示 ChangeFlow 孔洞与连通分量偏差最小，Figure 7 揭示增加复现次数比增加步数更划算。

**Table 2**: ChangeFlow 与 14 种 SOTA 方法在四数据集上的 F1 与速度对比

**Fig. 3**: ChangeFlow 与 GCD-DDPM、DDPM-CD、MaskCD、ChangeDINO 的定性对比

**Fig. 5**: 掩膜结构一致性：孔洞数偏差（$\Delta$#Holes）

**Fig. 6**: 推理过程中连通分量数（$\Delta$CC）与孔洞数（$\Delta$Holes）随步数变化

查看结构化数据

任务	指标	本文	基线	提升
SYSU 变化检测	F1 (%)	85.6	ChangeDINO 83.9	+1.7
LEVIR 变化检测	F1 (%)	92.1	ChangeDINO 92.2	-0.1
CLCD 变化检测	F1 (%)	84.5	ChangeDINO 81.4	+3.1
OSCD 变化检测	F1 (%)	59.5	ChangeDINO 58.8	+0.7
四数据集平均 F1	Avg F1 (%)	80.4	ChangeDINO 79.1	+1.3
vs GCD-DDPM 速度	FPS	8.1	0.02	约 405 倍
vs GCD-DDPM 性能	Avg F1 (%)	80.4	49.8	+30.6

局限与改进

作者明确承认三点局限：(1) 当前依赖通用预训练 VAE，没有为二值、稀疏结构定制，可能影响边界精度；(2) 推理速度（403M 参数，8.1 img/s）虽然已接近判别式方法，但仍未达到 FC-Siam-Diff（170 img/s）这种轻量级的水平，部署成本仍是门槛；(3) 当前生成式框架尚未纳入文本引导，留作未来工作。我自己的额外观察：(a) OSCD 59.5% 的 F1 虽为 SOTA，但绝对值仍偏低，说明低分辨率 Sentinel-2 数据上的语义变化仍是开放问题；(b) Table 5 中 finetune VAE 解码器 + 像素损失组合在 OSCD 上 F1 从 59.5 暴跌到 36.3，说明把生成信号换成纯像素监督会严重损害模型对低分辨率数据的学习；(c) 复现次数和步数对最终性能的不对称影响（Figure 7）虽被作者强调，但 5 复现带来的 0.9 p.p. 提升本身也意味着用户必须承担 5 倍推理成本，这限制了实际部署选择。

独立分析的弱点

独立分析的弱点有三处。其一，依赖 DINOv3 ViT-L 提取特征意味着输入被限制在编码器支持的分辨率（Table 4 显示换 DINOv2 平均下降 4.6 p.p.），对超大分辨率遥感影像需要分块处理，可能引入块间不一致，而 ChangeFlow 没有显式的分块一致性约束；改进方向是引入 overlap-tile 策略或加入跨块注意力。其二，logit-normal 时刻采样虽然被 [17] 验证有效，但 ChangeFlow 没有和均匀采样、其他分布做对比消融，难以判断这一选择对该任务的具体贡献度；改进方向是在附录加入 timestep 分布消融。其三，集成预测用「5 次采样取均值再阈值化」的策略过于朴素，没有利用置信度信息做加权或拒绝机制，Figure 4 显示置信度低的区域确实存在但都被统一阈值化处理；改进方向是引入自适应阈值或置信度门控，仅对高置信度区域做决策。

未来方向

作者提出的方向包括：设计专门为二值潜空间定制的 VAE 以提升边界精度；进一步压缩推理时间以提升部署可行性；把文本引导整合进潜空间生成过程以支持开放词表变化检测。基于成果可延伸的方向也很多：第一，可以把 ChangeFlow 的「潜空间生成」思想推广到语义变化检测（同时输出变化 + 类别）或实例级变化检测（用 instance token 扩展 DiT 条件）；第二，置信度估计可以进一步蒸馏为显式不确定性建模，与主动学习结合去选择最有价值的样本标注；第三，整流流框架下可以考虑用 Consistency Trajectory Model 或 Distillation 把 10 步蒸馏到 1-2 步，逼近 FC-Siam-Diff 的 170 img/s；第四，Figure 5-6 揭示的「早期快速成型 + 后期细节优化」过程提示可以把生成过程拆成两阶段粗-精框架，进一步提速。

复现评估

作者在论文和项目页（https://blaz-r.github.io/changeflow_cd/）中提供了比较详尽的复现信息：使用 DINOv3 ViT-L 作 encoder、SD-XL VAE 作掩膜编解码、DiT 作骨干、Muon 优化器（DiT 学习率 $10^{-4}$，encoder $5\times10^{-5}$），余弦调度无重启，300 epoch，batch size 32，输入 $256\times256$，A100 单卡训练。Table 1-5 的消融均报告在最终 epoch。论文正文未明确代码仓库地址（需查项目页），但开源概率较高。复现难度评估为中等偏上：整流流 + DiT 的训练对超参较敏感，Muon 优化器在大模型上效果好但复现需准确实现，且 DINOv3 ViT-L 的下载和 SD-XL VAE 的兼容性需要一定工程经验。最大不确定项是 5 复现的阈值（「至少 2 个预测标记为变化」）的 grid search 在附录中未完全展示。

ChangeFlow：基于潜空间整流流的遥感变化检测 ChangeFlow -- Latent Rectified Flow for Change Detection in Remote Sensing