MambaRefine-CD: MambaVision with Region-Boundary Temporal Refinement

Sintesi Tecnica di MambaRefine-CD

Definizione del Problema
Il rilevamento del cambiamento binario (Change Detection, CD) nel telerilevamento mira a generare una maschera che identifichi le regioni modificate tra due immagini co-registrate acquisite in tempi diversi. Sebbene sia essenziale per applicazioni come il monitoraggio urbano e la valutazione dei disastri, il compito affronta sfide significative: i modelli devono distinguere i cambiamenti reali dalle variazioni di disturbo (variazioni di illuminazione, cambiamenti stagionali, ombre, differenze dei sensori ed errori di registrazione). Questi problemi sono particolarmente acuti in prossimità dei confini degli oggetti, dove i modelli spesso producono maschere spostate, frammentate o eccessivamente levigate. Gli approcci esistenti basati sul deep learning, inclusi i network Siamese convoluzionali e i metodi basati su Transformer, faticano a causa di campi recettivi limitati (CNN) o elevati costi computazionali e persistenti errori di localizzazione dei confini (Transformer). Inoltre, le recenti architetture basate su State-Space Model (SSM), pur essendo efficienti, hanno dimostrato di soffrire ancora di fallimenti nella delineazione dei confini sotto variazioni di dominio, suggerendo che la sola scalabilità dell'encoder sia insufficiente.

Metodologia
Gli autori propongono MambaRefine-CD, un framework costruito su un encoder condiviso MambaVision che decoppia esplicitamente la localizzazione delle regioni dal raffinamento dei confini attraverso una strategia di "Raffinamento Temporale Regione-Confine". L'architettura si articola in quattro fasi chiave:

1. Codifica MambaVision Condivisa: Due immagini bi-temporali ($I_1, I_2$) sono elaborate da un encoder MambaVision condiviso per estrarre feature multi-scala ($F^1_\ell, F^2_\ell$) in quattro stadi. La condivisione dei pesi assicura che le differenze temporali rappresentino cambiamenti della scena piuttosto che discrepanze dell'encoder.
2. Interazione Differenziale Regione-Confine (D-RBI): Questa è la novità centrale. Ad ogni scala, la D-RBI costruisce l'evidenza temporale concatenando quattro flussi: le feature originali accoppiate, la differenza assoluta ($|F^2 - F^1|$) e la differenza con segno ($F^2 - F^1$). Ciò preserva sia l'entità del cambiamento che la direzione temporale.
   • Flusso della Regione: Un meccanismo di gating appreso seleziona le feature utili per la localizzazione della regione modificata.
   • Flusso del Confine: Un meccanismo di gating condizionato da Sobel seleziona l'evidenza sensibile ai contorni derivata dalle feature differenziali, non dalle immagini grezze.
3. Raffinamento e Decodifica:
   • CRAM-lite: Un blocco leggero di modulazione spaziale residua viene applicato al flusso della regione nei primi tre stadi per potenziare le feature.
   • Adaptive Receptive-Field FPN (ARF-FPN): Il flusso della regione viene decodificato utilizzando convoluzioni depthwise dilatate in parallelo per fondere i dettagli locali e il contesto globale, producendo una mappa logit di cambiamento grossolana ($P_c$).
   • Raffinamento Residuo del Confine Vincolato: Una testa di raffinamento utilizza il flusso del confine più fine, il logit grossolano e un indizio di bordo Sobel dalla predizione grossolana per generare una correzione residua ($\Delta P$). Questa correzione è vincolata da una funzione tanh e scalata (0.1) per raffinare i contorni incerti senza sovrascrivere la predizione globale della regione.
4. Obiettivo di Addestramento: Il modello è addestrato con una loss composita che combina la Binary Cross-Entropy (BCE) e la Dice loss per la predizione finale, oltre a loss ausiliarie per la predizione grossolana e una loss $\ell_1$ del bordo Sobel per la coerenza del confine.

Contributi Chiave
Il documento rivendica tre contributi primari:

1. Framework MambaRefine-CD: Un framework di CD binario basato su MambaVision che integra l'encoding bi-temporale condiviso con un esplicito raffinamento temporale regione-confine.
2. Modulo D-RBI: Un modulo di interazione regione-confine differenziale leggero che costruisce l'evidenza temporale dalle feature accoppiate, dalle differenze assolute e dalle differenze con segno, separando la rappresentazione in distinti flussi consapevole della regione e consapevole del confine.
3. Testa Residua del Confine Vincolata: Un meccanismo che applica correzioni controllate e vincolate ai logit grossolani in prossimità dei confini predetti, riducendo il rischio di sovrascrivere la predizione globale della regione modificata e migliorando al contempo la precisione dei bordi.

Risultati Sperimentali
Il modello è stato valutato sui dataset DSIFN-CD e WHU-CD utilizzando protocolli di split verificati.

• Performance: Su DSIFN-CD, MambaRefine-CD ha raggiunto un F1 medio del 95,67% e un IoU del 91,71%, comparabile ai recenti metodi basati su Mamba come Mamba-CD. Su WHU-CD, ha ottenuto un F1 del 95,34% e un IoU del 91,10%, superando i risultati riportati da Mamba-CD (95,20% F1, 90,83% IoU) in termini di sovrapposizione della regione modificata.
• Metriche di Confine: L'intera pipeline ha migliorato significativamente le metriche di confine rispetto a un baseline MambaVision-FPN, aumentando il Boundary F1 (BF1) dal 61,36% al 71,94% e il Boundary IoU (BIoU) dal 38,41% al 47,39%.
• Studi di Ablazione: Gli esperimenti hanno confermato che l'intera pipeline (evidenza temporale con segno + ARF-FPN + CRAM-lite + raffinamento residuo del confine + supervisione ausiliaria) è necessaria per le prestazioni ottimali. Nello specifico, si è scoperto che la differenza temporale con segno e la combinazione della testa residua del confine con gli altri componenti sono cruciali. La testa residua del confine da sola non ha migliorato le prestazioni senza gli altri componenti.

Significatività e Rivendicazioni
Gli autori posizionano la significatività di questo lavoro non semplicemente nel raggiungimento di punteggi state-of-the-art, ma nel design architettonico che affronta il modo di fallimento specifico della delineazione dei confini nei modelli basati su SSM. Il documento afferma che:

• L'applicazione di un semplice encoder basato su Mamba è insufficiente per compiti sensibili ai confini; è richiesto un esplicito disaccoppiamento tra indizi di regione e di confine.
• Preservare l'evidenza temporale con segno (direzione del cambiamento) è fondamentale per distinguere l'apparizione dalla scomparsa.
• La strategia di raffinamento residuo vincolato permette una correzione precisa dei confini senza destabilizzare la predizione globale della regione.
• Il modulo D-RBI proposto separa efficacemente l'evidenza temporale in flussi di regione e di confine, consentendo una pipeline di raffinamento più robusta rispetto alle standard strategie di differenziazione.

Gli autori rimangono modesti riguardo ai confronti diretti con altri lavori su DSIFN-CD, notando che i protocolli di split variano nella letteratura e che, pertanto, i loro confronti sono contestuali piuttosto che affermazioni di SOTA su split identici. Riconoscono che il confronto diretto delle metriche di confine con Mamba-CD non è stato possibile a causa della mancata disponibilità dei checkpoint nel loro setup.