[論文レビュー] Exchange Is All You Need for Remote Sensing Change Detection

Sijun Dong, Siming Fu+4 more|arXiv (Cornell University)|Jan 12, 2026

Remote-Sensing Image Classification被引用数 0

ひとこと要約

SEED（Siamese Encoder–Exchange–Decoder）を導入したパラメータフリーの特徴量交換型差分検出フレームワーク。明示的な差分算出を置き換え、直交特徴量交換を用いることで、5つのベンチマークと3つのバックボーンで競争力のある、あるいはそれを上回る結果を達成。

ABSTRACT

Remote sensing change detection fundamentally relies on the effective fusion and discrimination of bi-temporal features. Prevailing paradigms typically utilize Siamese encoders bridged by explicit difference computation modules, such as subtraction or concatenation, to identify changes. In this work, we challenge this complexity with SEED (Siamese Encoder-Exchange-Decoder), a streamlined paradigm that replaces explicit differencing with parameter-free feature exchange. By sharing weights across both Siamese encoders and decoders, SEED effectively operates as a single parameter set model. Theoretically, we formalize feature exchange as an orthogonal permutation operator and prove that, under pixel consistency, this mechanism preserves mutual information and Bayes optimal risk, whereas common arithmetic fusion methods often introduce information loss. Extensive experiments across five benchmarks, including SYSU-CD, LEVIR-CD, PX-CLCD, WaterCD, and CDD, and three backbones, namely SwinT, EfficientNet, and ResNet, demonstrate that SEED matches or surpasses state of the art methods despite its simplicity. Furthermore, we reveal that standard semantic segmentation models can be transformed into competitive change detectors solely by inserting this exchange mechanism, referred to as SEG2CD. The proposed paradigm offers a robust, unified, and interpretable framework for change detection, demonstrating that simple feature exchange is sufficient for high performance information fusion. Code and full training and evaluation protocols will be released at https://github.com/dyzy41/open-rscd.

研究の動機と目的

• 双時点の特徴間の明示的差分計算を排除して差分検出を簡略化する動機づけ。
• 情報を保存し、統一されたエンコーダ–デコーダ設計を可能にするパラメーターフリーの交換機構を提案。
• 特徴量交換を情報保存的な置換として理論的に正当化し、様々なデータセットとバックボーンで経験的に有効性を検証。

提案手法

• SEEDを提案：重みを共有するシアミーズエンコーダ・デコーダとパラメーターフリーの特徴量交換段階。
• 特徴量交換を、画素整合性の下で相互情報を保存する直交置換演算子として形式化。
• 特徴量マップ層・チャネル・空間交換の3つの交換スキームとランダム化バリアントを評価し、SEG2CDレシピを用いてセグメンテーションモデルを差分検出器に変換。
• 1つのエンコーダ–デコーダのパラメータセットを用い、明示的な融合/差分モジュールを持たず、層ごとに単純なデコーダと共有FPNネックを採用。
• 交換における相互情報とベイズ最適リスクの不変性を示す理論解析を提供し、加算/減算融合が情報を失うリスクと対比。

実験結果

リサーチクエスチョン

• RQ1 パラメーターフリーの特徴量交換機構は、差分の明示的計算を置き換えてリモートセンシングの差分検出の性能を損なわずに済むのか。
• RQ2 直交置換を介して双時点の特徴を交換することで情報を保存し、画素整合性の下で有効な差分検出を支援できるのか。
• RQ3 層/チャネル/空間交換のバリエーションはどのように比較され、SEG2CDを用いてセグメンテーションモデルを差分検出器に容易に変換できるのか。

主な発見

• SEEDは5つのベンチマーク（SYSU-CD、LEVIR-CD、PX-CLCD、WaterCD、CDD）で最先端手法と同等またはそれを上回る性能を達成。
• SEEDは3つのバックボーン（SwinT、EfficientNet、ResNet）で競争力のある結果を達成。
• 形式的解析は、特徴量交換が情報を保存する置換であり、画素整合性の下で相互情報とベイズ最適リスクを維持することを示す；加算/減算のような非可逆的融合は情報を失う可能性がある。
• 訓練時のランダム化交換は、ほとんど計算コストを要せず置換正則化として機能し、一般に安定または性能向上を示す。
• SEG2CDレシピは、標準的なセグメンテーションモデルを交換のみを挿入することで競争力のある差分検出器に変換できることを示す。