MambaRefine-CD: MambaVision with Region-Boundary Temporal Refinement

Resumo Técnico de MambaRefine-CD

Definição do Problema
A detecção de mudanças (CD) binária em sensoriamento remoto visa gerar uma máscara que identifique regiões alteradas entre duas imagens co-registradas adquiridas em tempos diferentes. Embora essencial para aplicações como monitoramento urbano e avaliação de desastres, a tarefa enfrenta desafios significativos: os modelos devem distinguir mudanças reais de variações incômodas (mudanças de iluminação, variações sazonais, sombras, diferenças de sensores e erros de registro). Esses problemas são particularmente agudos próximos aos limites dos objetos, onde os modelos frequentemente produzem máscaras que são deslocadas, fragmentadas ou excessivamente suavizadas. As abordagens existentes de aprendizado profundo, incluindo redes Siamesas Convolucionais e métodos baseados em Transformers, lutam com campos receptivos limitados (CNNs) ou altos custos computacionais e erros persistentes de localização de bordas (Transformers). Além disso, as recentes arquiteturas de backbone baseadas em Modelos de Espaço de Estado (SSM), embora eficientes, demonstraram ainda sofrer de falhas de delineamento de bordas sob mudanças de domínio, sugerindo que o escalonamento do codificador isoladamente é insuficiente.

Metodologia
Os autores propõem o MambaRefine-CD, um framework construído sobre um codificador MambaVision compartilhado que desacopla explicitamente a localização de regiões do refinamento de bordas através de uma estratégia de "Refinamento Temporal de Região-Borda". A arquitetura procede através de quatro estágios principais:

1. Codificação MambaVision Compartilhada: Duas imagens bi-temporais ($I_1, I_2$) são processadas por um codificador MambaVision compartilhado para extrair características multiescala ($F^1_\ell, F^2_\ell$) em quatro estágios. O compartilhamento de pesos garante que as diferenças temporais representem mudanças na cena, e não discrepâncias do codificador.
2. Interação Diferencial de Região–Borda (D-RBI): Esta é a principal novidade. Em cada escala, a D-RBI constrói evidência temporal concatenando quatro fluxos: características pareadas originais, diferença absoluta ($|F^2 - F^1|$) e diferença assinada ($F^2 - F^1$). Isso preserva tanto a magnitude da mudança quanto a direção temporal.
   • Fluxo de Região: Um mecanismo de portão (gating) aprendido seleciona características úteis para a localização de regiões alteradas.
   • Fluxo de Borda: Um mecanismo de portão condicionado por Sobel seleciona evidências sensíveis ao contorno derivadas das características diferenciais, não das imagens brutas.
3. Refinamento e Decodificação:
   • CRAM-lite: Um bloco de modulação espacial residual leve é aplicado ao fluxo de região nos três primeiros estágios para aprimorar as características.
   • FPN de Campo Receptivo Adaptativo (ARF-FPN): O fluxo de região é decodificado usando convoluções depthwise dilatadas paralelas para fundir detalhes locais e contexto global, produzindo um mapa de logit de mudança grosseiro ($P_c$).
   • Refinamento de Resíduo de Borda Limitado: Um cabeçalho de refinamento utiliza o fluxo de borda mais fino, o logit grosseiro e uma pista de borda Sobel da predição grosseira para gerar uma correção de resíduo ($\Delta P$). Esta correção é limitada por uma função tanh e escalonada (0.1) para refinar contornos incertos sem sobrescrever a predição da região global.
4. Objetivo de Treinamento: O modelo é treinado com uma perda composta combinando Entropia Cruzada Binária (BCE) e perda Dice para a predição final, além de perdas auxiliares para a predição grosseira e uma perda $\ell_1$ de borda Sobel para consistência de borda.

Principais Contribuições
O artigo reivindica três contribuições primárias:

1. Framework MambaRefine-CD: Um framework de CD binária baseado em MambaVision que integra codificação bi-temporal compartilhada com refinamento temporal de região-borda explícito.
2. Módulo D-RBI: Um módulo de interação região-borda diferencial leve que constrói evidência temporal a partir de características pareadas, diferenças absolutas e diferenças assinadas, separando a representação em fluxos distintos de consciência de região e de borda.
3. Cabeçalho de Resíduo de Borda Limitado: Um mecanismo que aplica correções controladas e limitadas aos logits grosseiros próximos às bordas preditas, reduzindo o risco de sobrescrever a predição da região global enquanto melhora a precisão da borda.

Resultados Experimentais
O modelo foi avaliado nos conjuntos de dados DSIFN-CD e WHU-CD usando protocolos de divisão verificados.

• Desempenho: No DSIFN-CD, o MambaRefine-CD alcançou um F1 médio de 95,67% e IoU de 91,71%, comparável aos métodos recentes baseados em Mamba, como o Mamba-CD. No WHU-CD, alcançou 95,34% de F1 e 91,10% de IoU, superando os resultados reportados do Mamba-CD (95,20% F1, 90,83% IoU) em termos de sobreposição da região alterada.
• Métricas de Borda: O pipeline completo melhorou significamente as métricas de borda em comparação com um baseline MambaVision-FPN, aumentando o F1 de Borda (BF1) de 61,36% para 71,94% e o IoU de Borda (BIoU) de 38,41% para 47,39%.
• Estudos de Ablação: Experimentos confirmaram que o pipeline completo (evidência temporal assinada + ARF-FPN + CRAM-lite + refinamento de resíduo de borda + supervisão auxiliar) é necessário para o desempenho ideal. Especificamente, a diferença temporal assinada e a combinação do cabeçalho de resíduo de borda com outros componentes foram consideradas críticas. O cabeçalho de resíduo de borda sozinho não melhorou o desempenho sem os outros componentes.

Significância e Alegações
Os autores posicionam a significância deste trabalho não apenas no alcance de pontuações de estado da arte, mas no design arquitetônico que aborda o modo de falha específico de delineamento de bordas em modelos baseados em SSM. O artigo afirma que:

• Simplesmente aplicar um codificador baseado em Mamba é insuficiente para tarefas sensíveis a bordas; o desacoplamento explícito de pistas de região e borda é necessário.
• Preservar a evidência temporal assinada (direção da mudança) é crucial para distinguir aparência de desaparecimento.
• A estratégia de refinamento de resíduo limitado permite uma correção de borda precisa sem desestabilizar a predição da região global.
• O módulo D-RBI proposto separa efetivamente a evidência temporal em fluxos de região e borda, permitindo um pipeline de refinamento mais robusto do que as estratégias de diferenciação padrão.

Os autores permanecem modestos quanto a comparações diretas com outros trabalhos no DSIFN-CD, observando que os protocolos de divisão variam na literatura e, portanto, suas comparações são contextuais em vez de reivindicações estritas de SOTA de mesma divisão. Eles reconhecem que a comparação direta de métricas de borda com o Mamba-CD não foi possível devido à indisponibilidade de checkpoints em seu ambiente de configuração.