ReA-OVCD: Reliability-Aware Open-Vocabulary Change Detection via Semantic and Spatial Refinement

📄 arXiv: 2606.20032v1 📥 PDF

作者: Hongming Zhu, Huaji Chen, Bowen Du, Sicong Liu, Qin Liu

分类: cs.CV

发布日期: 2026-06-18

🔗 代码/项目: GITHUB

💡 一句话要点

提出ReA-OVCD以解决开放词汇变化检测中的可靠性问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 开放词汇变化检测 遥感技术 语义变化推理 边界感知 计算机视觉

📋 核心要点

  1. 现有的开放词汇变化检测方法在实例级比较和像素级比较之间存在权衡，导致对细粒度变化的忽视和不稳定性。
  2. 本文提出的ReA-OVCD框架通过引入语义变化推理和边界感知变化精炼模块，增强了变化检测的可靠性和准确性。
  3. 实验结果表明，ReA-OVCD在多个数据集上均优于现有最先进的方法，F1得分提升幅度达到2.13%至9.75%。

📝 摘要（中文）

与传统的遥感变化检测依赖于预定义类别不同，开放词汇变化检测（OVCD）通过任意文本提示灵活识别土地覆盖变化。然而，现有方法在建模变化时存在固有的权衡：实例级比较忽视了细粒度的语义变化，而直接的像素比较则因语义模糊和空间不一致性而表现不稳定。为此，本文提出了一种高效的无训练的可靠性意识开放词汇变化检测框架（ReA-OVCD）。该框架首先通过像素级语义差异推导候选变化区域，以确保灵活和详细的定位。随后，引入协同精炼策略，从语义和空间两个角度明确建模变化的有效性。通过广泛的实验，本文方法在多个数据集上表现优异，F1得分提升2.13%至9.75%。

🔬 方法详解

问题定义：本文旨在解决开放词汇变化检测中的可靠性问题，现有方法在实例级和像素级比较中存在固有的权衡，导致对细粒度变化的忽视和不稳定的检测结果。

核心思路：ReA-OVCD框架的核心思路是通过引入语义变化推理和边界感知变化精炼模块，增强变化检测的可靠性，确保对变化的准确建模。

技术框架：该框架包括两个主要模块：语义变化推理（SCR）模块和边界感知变化精炼（BCR）模块。SCR模块通过分析分布差异和响应变化来重新评估变化，而BCR模块则通过验证候选区域是否由可靠的内部像素支持来减少边界伪影。

关键创新：最重要的创新点在于引入了协同精炼策略，结合了语义和空间的视角来建模变化的有效性，这与现有方法的单一视角建模方式形成了本质区别。

关键设计：在设计上，SCR模块通过联合分析分布差异和响应变化来抑制偶然的不一致性，而BCR模块则通过验证候选区域的内部像素来减少边界不对齐和不确定性带来的伪影。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多个数据集（LEVIR-CD、WHU-CD、DSIFN和SECOND）上的实验结果显示，ReA-OVCD方法在F1得分上相较于最先进的方法提升了2.13%至9.75%，同时在计算效率上也表现出更高的优势。

🎯 应用场景

该研究的潜在应用领域包括城市规划、环境监测和灾害评估等。通过提高变化检测的可靠性，ReA-OVCD能够为决策者提供更准确的信息，从而在实际应用中产生重要的社会和经济价值。未来，该方法有望扩展到其他领域，如农业监测和土地利用变化分析。

📄 摘要（原文）

Unlike traditional remote sensing change detection that relies on predefined categories, Open-Vocabulary Change Detection (OVCD) identifies land cover changes flexibly using arbitrary text prompts. However, existing methods suffer from an inherent trade-off when modeling changes: instance-level comparison overlooks fine-grained semantic variations (e.g., partial building extensions), while direct pixel comparison proves unreliable, yielding unstable responses and boundary artifacts due to semantic ambiguity and spatial inconsistency. To this end, we propose an efficient training-free Reliability-Aware Open-Vocabulary Change Detection (ReA-OVCD) framework. It first derives candidate change regions from pixel-wise semantic discrepancies to ensure flexible and detailed localization. To ensure reliability, it subsequently introduces a collaborative refinement strategy to explicitly model change validity from both semantic and spatial perspectives. Specifically, we develop a Semantic Change Reasoning (SCR) module that reassesses changes by jointly analyzing distributional divergence and response variation, enabling the suppression of incidental inconsistencies while preserving reliable semantic shifts. In addition, a Boundary-aware Change Refinement (BCR) module is designed to mitigate artifacts stemming from boundary misalignment and uncertainty through validating whether candidate regions are supported by reliable interior pixels. Extensive experiments across multiple datasets (LEVIR-CD, WHU-CD, DSIFN, and SECOND) demonstrate that our method consistently outperforms state-of-the-art approaches, achieving $\mathrm{F}_{1}^{C}$ improvements of 2.13\% to 9.75\% with higher computational efficiency. The code is publicly available at \https://github.com/Funny0101/ReA-OVCD