基于潜在整流流的遥感变化检测新框架 ChangeFlow
原帖
**ChangeFlow：基于潜在整流流的遥感变化检测**
_ChangeFlow -- Latent Rectified Flow for Change Detection in Remote Sensing_
> 该研究提出了一个名为ChangeFlow的生成式框架，用于解决遥感图像变化检测问题。它将变化检测重新定义为在潜在空间中通过整流流（rectified flow）合成变化掩模的任务。与传统的判别式方法不同，ChangeFlow能够建模变化区域的整体分布，从而更好地处理模糊性和全局一致性。其核心创新在于使用轻量化的条件信号引导生成过程，并通过随机采样实现预测集成（集成多个预测结果），这不仅提高了鲁棒性，还能通过样本一致性估计置信度，突出显示不确定区域。在四个基准测试中，ChangeFlow平均F1分数达到80.4%，比之前最佳方法平均提升1.3个百分点，同时保持与近期强基线方法相当的推理速度。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-18 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.15375)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
该文章介绍了生成式框架 ChangeFlow，用于解决遥感图像变化检测问题。它将变化检测重新定义为在潜在空间中通过整流流合成变化掩模的任务，以建模变化区域的整体分布。据文章称，该方法在四个基准测试中平均 F1 分数达到 80.4%，比之前最佳方法平均提升 1.3 个百分点。
答案说明
ChangeFlow 是一个用于遥感变化检测的生成式框架，它利用潜在整流流在潜在空间中合成变化掩模。据该文章报告，该方法在基准测试中取得了平均 80.4% 的 F1 分数，相较于之前的最佳方法平均提升了 1.3 个百分点，并能通过随机采样集成来估计置信度。
这篇帖子回答的问题
- ChangeFlow 如何解决遥感变化检测问题？
- ChangeFlow 框架在遥感变化检测基准测试上的表现如何？
核心观点
- ChangeFlow 将变化检测重新定义为在潜在空间中通过整流流合成变化掩模的任务，能够建模变化区域的整体分布。
- 据该文章称，ChangeFlow 在四个基准测试中平均 F1 分数达到 80.4%，比之前最佳方法平均提升 1.3 个百分点，并保持相当的推理速度。
FAQ
- Q: ChangeFlow 的核心创新是什么？
- A: 据该文章介绍，ChangeFlow 的核心创新在于使用轻量化的条件信号引导生成过程，并通过随机采样实现预测集成，这提高了鲁棒性并能估计置信度。
关键实体
- ChangeFlow
- 整流流
- HuggingFace Daily Papers