Development of a Novel Image Augmentation Method for Semantic Change Detection and Its Validation on SECOND Dataset

다국어 초록 (Multilingual Abstract)

Remote sensing-based semantic change detection plays a crucial role in various fields including urban development, disaster monitoring, and environmental change analysis, but faces the limitation of high dataset construction costs. To address this, ChangeDiff, a diffusion model-based generative augmentation model, was proposed; however, the quality and realism of generated data remained limited. This study proposes Advanced ChangeDiff (ACDiff), which adopts ChangeDiff's diffusion-based Text-to-Layout and Layout-to-Image generation mechanisms while improving output data quality through post-processing algorithms. ACDiff applies instance-aware spatial control to the Text-to-Layout output, enabling change generation based on semantic instances and systematic change patterns reflecting real-world land use transitions. In the Layout-to-Image stage, a change-mask-based selective noise sharing strategy maintains consistency in non-change regions while ensuring diversity in change regions. Additionally, a composite score-based quality selection strategy ensures high-quality dataset construction. Experiments on the SECOND dataset demonstrated that models trained with ACDiff augmentation achieved the highest detection performance in both augmentation method comparison and data scale-dependent augmentation effect experiments. This study presents a practical methodology for automatic construction of high-quality semantic change detection datasets and is expected to lower the entry barrier for change detection research where labeling costs are high.

국문 초록 (Abstract)

원격탐사 기반의 의미론적 변화탐지는 도시 개발, 재해 모니터링, 환경 변화 분석 등 다양한 분야에서 핵심적인 역할을 담당하지만, 데이터셋 구축에 상당한 비용이 소요된다는 한계를 가지고 있다. 이를 해결하기 위해 diffusion 모델 기반 생성형 증강 모델인 ChangeDiff가 제안되었으나, 생성된 데이터의 품질과 현실성이 제한적이었다. 따라서 본 연구는 이러한 한계를 극복하기 위해 ChangeDiff의 diffusion 기반 Text-to-Layout 및 Layout-to-Image 생성 메커니즘을 차용하되, 후처리 알고리즘을 통해 출력 데이터 품질을 개선한 Advanced ChangeDiff (ACDiff)를 제안한다. ACDiff는 Text-to-Layout 단계의 출력에 인스턴스 인식 공간 제어를 적용하여 의미론적 인스턴스를 기준으로 변화를 생성하고, 실제 토지 이용 패턴을 반영한 체계적인 변화 생성을 구현하였다. Layout-to-Image 단계에서는 변화 마스크 기반 선택적 노이즈 공유 전략을 적용하여 비변화 영역의 일관성을 유지하면서도 변화 영역의 다양성을 확보하였다. 또한 복합 점수 기반의 품질 선택 전략을 통해 고품질 데이터셋을 확보하였다. SECOND 데이터셋을 활용한 실험 결과, 증강 기법별 비교 실험과 데이터셋 크기에 따른 증강 효과 실험 모두에서 ACDiff로 증강하여 학습한 모델이 가장 높은 탐지 성능을 달성하였다. 본 연구는 고품질 의미론적 변화탐지 데이터셋의 자동 구축을 위한 실용적 방법론을 제시하며, 레이블링 비용이 높은 변화탐지 연구의 진입 장벽을 낮추는 데 기여할 것으로 기대된다.

목차 (Table of Contents)

• 1. Introduction 1
• 1.1. Evolution of Change Detection Techniques 1
• 1.2. Need for Semantic Change Detection 3
• 1.3. Data Augmentation based on generative AI 4
• 1.4. Objectives and Contributions of This Study 5
• 2. Data & Method 6
• 2.1. Dataset 6
• 2.2. ChangeDiff 9
• 2.2.1. ChangeDiff Overview 9
• 2.2.2. Limitations of Changediff T2L Model 12
• 2.3. Advanced ChangeDiff(ACDiff) 17
• 2.3.1. ACDiff Overview 17
• 2.3.2. Instance-Aware Spatial Control in T2L 20
• 2.3.3. Change Mask-based Shared Noise in L2I 31
• 2.4. Score-based Selection 35
• 3. SCD Experiments 38
• 3.1. ChangeMamba 38
• 3.2. Experimental Design 42
• 3.2.1. Experiment 1: Comparison of Augmentation Methods 42
• 3.2.2. Experiment 2: Augmentation Effectiveness Across Data
• Scales 43
• 3.3. Training Configuration 46
• 3.4. Evaluation Metrics 48
• 4. Results 53
• 4.1. Qualitative Comparison of Synthetic Data 53
• 4.2. Result 1: Comparison of Augmentation Methods 57
• 4.2.1. Quantitative Results 57
• 4.2.2. Qualitative Results 61
• 4.3. Result 2: Augmentation Effectiveness Across Data Scales 64
• 4.3.1. ChangeDiff Performance 64
• 4.3.2. ACDiff Performance 65
• 4.3.3. Comparative Analysis 66
• 5. Conclusion 72
• 6. Reference 74
• Korean Abstract 79