MambaRefine-CD: MambaVision with Region-Boundary Temporal Refinement

Resumen Técnico de MambaRefine-CD

Planteamiento del Problema
La detección de cambios (CD) binaria en teledetección tiene como objetivo generar una máscara que identifique las regiones cambiadas entre dos imágenes co-registradas adquiridas en diferentes momentos. Aunque es esencial para aplicaciones como el monitoreo urbano y la evaluación de desastres, la tarea enfrenta desafíos significativos: los modelos deben distinguir los cambios reales de las variaciones de molestia (cambios de iluminación, cambios estacionales, sombras, diferencias de sensores y errores de registro). Estos problemas son particularmente agudos cerca de los límites de los objetos, donde los modelos suelen producir máscaras que están desplazadas, fragmentadas o excesivamente suavizadas. Los enfoques actuales de aprendizaje profundo, incluyendo las redes siamesas convolucionales y los métodos basados en Transformers, luchan contra campos receptivos limitados (CNN) o altos costos computacionales y errores persistentes de localización de bordes (Transformers). Además, se ha demostrado que las arquitecturas recientes basadas en Modelos de Espacio de Estados (SSM), aunque eficientes, siguen sufriendo fallos de delineación de bordes bajo cambios de dominio, lo que sugiere que el escalado del codificador por sí solo es insuficiente.

Metodología
Los autores proponen MambaRefine-CD, un marco construido sobre un codificador MambaVision compartido que desacopla explícitamente la localización de regiones del refinamiento de bordes mediante una estrategia de "Refinamiento Temporal de Región-Borde". La arquitectura avanza a través de cuatro etapas clave:

1. Codificación MambaVision Compartida: Dos imágenes bi-temporales ($I_1, I_2$) son procesadas por un codificador MambaVision compartido para extraer características multiescala ($F^1_\ell, F^2_\ell$) en cuatro etapas. El uso de pesos compartidos asegura que las diferencias temporales representen cambios en la escena en lugar de desajustes del codificador.
2. Interacción Diferencial Región-Borde (D-RBI): Esta es la novedad central. En cada escala, D-RBI construye evidencia temporal concatenando cuatro flujos: características emparejadas originales, diferencia absoluta ($|F^2 - F^1|$) y diferencia con signo ($F^2 - F^1$). Esto preserva tanto la magnitud del cambio como la dirección temporal.
   • Flujo de Región: Un mecanismo de compuerta (gating) aprendido selecciona las características útiles para la localización de la región cambiada.
   • Flujo de Borde: Un mecanismo de compuerta condicionado por Sobel selecciona la evidencia sensible al contorno derivada de las características diferenciales, no de las imágenes puras.
3. Refinamiento y Decodificación:
   • CRAM-lite: Se aplica un bloque de modulación espacial residual ligero al flujo de región en las tres primeras escalas para mejorar las características.
   • FPN de Campo Receptivo Adaptativo (ARF-FPN): El flujo de región se decodifica utilizando convoluciones depthwise dilatadas en paralelo para fusionar detalles locales y contexto global, produciendo un mapa de logit de cambio grueso ($P_c$).
   • Refinamiento de Residuo de Borde Acotado: Un cabezal de refinamiento utiliza el flujo de borde más fino, el logit grueso y una señal de borde Sobel de la predicción gruesa para generar una corrección residual ($\Delta P$). Esta corrección está acotada por una función tanh y escalada (0.1) para refinar contornos inciertos sin sobrescribir la predicción de la región global.
4. Objetivo de Entrenamiento: El modelo se entrena con una pérdida compuesta que combina la Entropía Cruzada Binaria (BCE) y la pérdida Dice para la predicción final, además de pérdidas auxiliares para la predicción gruesa y una pérdida $\ell_1$ de borde Sobel para la consistencia de los bordes.

Contribuciones Clave
El artículo reclama tres contribuciones primarias:

1. Marco MambaRefine-CD: Un marco de CD binaria basado en MambaVision que integra la codificación bi-temporal compartida con un refinamiento temporal de región-borde explícito.
2. Módulo D-RBI: Un módulo de interacción región-borde diferencial ligero que construye evidencia temporal a partir de características emparejadas, diferencias absolutas y diferencias con signo, separando la representación en flujos distintos de conciencia de región y de borde.
3. Cabezal de Residuo de Borde Acotado: Un mecanismo que aplica correcciones controladas y acotadas a los logits gruesos cerca de los bordes predichos, reduciendo el riesgo de sobrescribir la predicción de la región cambiada global mientras mejora la precisión del borde.

Resultados Experimentales
El modelo fue evaluado en los conjuntos de datos DSIFN-CD y WHU-CD utilizando protocolos de división verificados.

• Rendimiento: En DSIFN-CD, MambaRefine-CD logró un F1 promedio de 95.67% e IoU de 91.71%, comparable a los métodos recientes basados en Mamba como Mamba-CD. En WHU-CD, alcanzó un F1 de 95.34% e IoU de 91.10%, superando los resultados reportados de Mamba-CD (95.20% F1, 90.83% IoU) en términos de solapamiento de la región cambiada.
• Métricas de Borde: El pipeline completo mejoró significativamente las métricas de borde en comparación con un baseline MambaVision-FPN, aumentando el F1 de Borde (BF1) de 61.36% a 71.94% y el IoU de Borde (BIoU) de 38.41% a 47.39%.
• Estudios de Ablación: Los experimentos confirmaron que el pipeline completo (evidencia temporal con signo + ARF-FPN + CRAM-lite + refinamiento de residuo de borde + supervisión auxiliar) es necesario para un rendimiento óptimo. Específicamente, se encontró que la diferencia temporal con signo y la combinación del cabezal de residuo de borde con otros componentes son críticas. El cabezal de residuo de borde por sí solo no mejoró el rendimiento sin los otros componentes.

Significancia y Reclamaciones
Los autores posicionan la significancia de este trabajo no meramente en alcanzar puntuaciones de estado del arte, sino en el diseño arquitectónico que aborda el modo de fallo específico de la delineación de bordes en los modelos basados en SSM. El artículo afirma que:

• Aplicar simplemente un codificador basado en Mamba es insuficiente para tareas sensibles a los bordes; se requiere el desacoplamiento explícito de las pistas de región y de borde.
• Preservar la evidencia temporal con signo (dirección del cambio) es crucial para distinguir la apariencia de la desaparición.
• La estrategia de refinamiento de residuo acotado permite una corrección de borde precisa sin desestabilizar la predicción de la región global.
• El módulo D-RBI propuesto separa eficazmente la evidencia temporal en flujos de región y de borde, permitiendo un pipeline de refinamiento más robusto que las estrategias de diferenciación estándar.

Los autores mantienen la modestia respecto a las comparaciones directas con otros trabajos en DSIFN-CD, señalando que los protocolos de división varían en la literatura y, por lo tanto, sus comparaciones son contextuales en lugar de afirmaciones estrictas de SOTA bajo la misma división. Reconocen que las comparaciones directas de métricas de borde con Mamba-CD no fueron posibles debido a la falta de disponibilidad de los checkpoints en su configuración.