監督学習の欠如を架橋するもの：遠隔センシング変化検知のための統一的な枠組み

arXiv:2601.17747v2 Announce Type: replace 要旨：変化検知 (CD) は、多時相遠隔センシング画像から地表の変化を同定することを目的とします。現実のシナリオでは、ピクセルレベルの変化ラベルを取得することは高コストであり、既存のモデルは多様なラベル利用可能性のあるシナリオに適応する際に困難を経験します。この課題に対処するため、私たちは統一的な変化検知枠組み (UniCD) を提案し、それはカップリングされたアーキテクチャを通じて監督された、弱監督された、そして無监督されたタスクを協働的に処理します。UniCD は共有エンコーダーとマルチブランチ協調学習メカニズムを通じてアーキテクチャ上の障壁を排除し、異種的な監督信号の深層耦合を達成します。具体的には、UniCD は 3 つの監督特定ブランチから構成されます。監督ブランチにおいては、UniCD は空間時 Aware モジュール (STAM) を導入し、二時相特徴の効率的な対称的融合を達成します。弱監督ブランチにおいては、変化表現正規化 (CRR) を構築し、モデルの収束を粗粒度のアクティベーションから、一貫性があり分離可能な変化モデル化へと導きます。無监督ブランチにおいては、我々は语义先駆駆動変化推論 (SPCI) を提案し、無监督タスクを制御された弱监督パス最適化へと変換します。主流データセットにおける実験が、UniCD が 3 つのタスクで最適な性能を発揮することを示しており、それは LEVIR-CD データセットで弱监督和無监督シナリオにおいてそれぞれ 12.72% と 12.37% の精度向上を実現し、現在の上流モデルを凌駕しました。

arXiv:2601.17747v2 Announce Type: replace Abstract: Change detection (CD) aims to identify surface changes from multi-temporal remote sensing imagery. In real-world scenarios, Pixel-level change labels are expensive to acquire, and existing models struggle to adapt to scenarios with diverse annotation availability. To tackle this challenge, we propose a unified change detection framework (UniCD), which collaboratively handles supervised, weakly-supervised, and unsupervised tasks through a coupled architecture. UniCD eliminates architectural barriers through a shared encoder and multi-branch collaborative learning mechanism, achieving deep coupling of heterogeneous supervision signals. Specifically, UniCD consists of three supervision-specific branches. In the supervision branch, UniCD introduces the spatial-temporal awareness module (STAM), achieving efficient synergistic fusion of bi-temporal features. In the weakly-supervised branch, we construct change representation regularization (CRR), which steers model convergence from coarse-grained activations toward coherent and separable change modeling. In the unsupervised branch, we propose semantic prior-driven change inference (SPCI), which transforms unsupervised tasks into controlled weakly-supervised path optimization. Experiments on mainstream datasets demonstrate that UniCD achieves optimal performance across three tasks. It exhibits significant accuracy improvements in weakly and unsupervised scenarios, surpassing current state-of-the-art by 12.72% and 12.37% on LEVIR-CD, respectively.