MemOVCD: 교차 시간적 기억 추론과 전역-지역 적응 보정을 통한 학습 없는 오픈보카불러블러 변화 탐지

오픈보카불러블러 변화 탐지는 사전 정의된 카테고리를 사용하지 않고, 이중 시점 원격 감지 이미지에서의 의미론적 변화를 식별하는 것을 목표로 합니다. 최근 방법들은 SAM, DINO 및 CLIP과 같은 기초 모델을 결합하지만, 일반적으로 각 시간戳를 독립적으로 처리하거나 최종 비교 단계에서만 상호작용합니다. 이러한 패러다임은 의미론적 추론 과정에서 시간적 결합이 부족하여 진정한 의미론적 변화와 비의미론적 외관 차이 (non-semantic appearance discrepancies) 를 구별하는 능력을 제한합니다. 또한, 고해상도 이미지에서의 패치 중심 추론은 전역적인 의미론적 연속성을 약화시키고 파편화된 변화 영역을 생성합니다. 이러한 문제들을 해결하기 위해, 우리는 교차 시간적 기억 추론 (cross-temporal memory reasoning) 과 전역-지역 적응 보정 (global-local adaptive rectification) 에 기반한 학습 없는 오픈보카불러블러 변화 탐지 프레임워크인 MemOVCD 를 제안합니다. 구체적으로, 우리는 이중 시점 변화 탐지를 두 프레임 추적 문제로 재정의하고, 양방향 시간 방향에서 의미론적 증거를 집계하기 위해 가중치된 양방향 전파 (weighted bidirectional propagation) 를 도입합니다. 큰 시간 간격을 넘어 기억 전파를 안정화시키기 위해, 급격한 외관 변화를 부드럽게 하기 위해 히스토그램 정렬된 전환 프레임 (histogram-aligned transition frames) 을 구성합니다. 또한, 전역-지역 적응 보정 전략은 지역적 및 전역적 뷰 예측을 적응적으로 융합하여 공간 일관성을 개선하면서도 세밀한 디테일을 보존합니다. 다섯 가지 벤치마크에서 수행된 실험 결과, MemOVCD 는 두 가지 변화 탐지 작업에서 유리한 성능을 달성하여 다양한 오픈보카불러블러 설정 하에서의 효과성과 일반화 능력을 입증했습니다.