بينما تحقق الطرق الحالية المتطورة لاكتشاف تغير المشهد (SCD) نتائج مثيرة للإعجاب في بيانات البحث المدربة جيدًا، فإنها تصبح غير موثوقة في بيئات غير معروفة وظروف زمنية مختلفة؛ حيث تنخفض الأداء داخل المجال من 77.6% إلى 8.0% في بيئة غير معروفة سابقًا ومن 77.6% إلى 4.6% تحت ظروف زمنية مختلفة -- مما يدعو إلى اكتشاف تغير المشهد القابل للتعميم والمعيار المرجعي. في هذا العمل، نقترح إطار اكتشاف تغير المشهد القابل للتعميم (GeSCF)، الذي يعالج أداء المجال غير المعروف والاتساق الزمني -- لتلبية الطلب المتزايد على أي شيء يتعلق باكتشاف تغير المشهد (SCD). تعتمد طريقتنا على استخدام نموذج تقسيم أي شيء (SAM) المدرب مسبقًا بطريقة صفرية. لهذا الغرض، قمنا بتصميم إنشاء الأقنعة الوهمية الأولية ومطابقة الأقنعة الهندسية-الدلالية -- مما يحول بشكل سلس التحديد المستند إلى المستخدم والتقسيم المستند إلى الصورة الواحدة إلى اكتشاف تغير المشهد لزوج من الإدخالات بدون تحديد. بالإضافة إلى ذلك، نحدد معيار اكتشاف تغير المشهد القابل للتعميم (GeSCD) مع مقاييس جديدة وبروتوكول تقييم لتسهيل البحث في اكتشاف تغير المشهد (SCD) القابل للتعميم. خلال هذه العملية، قدمنا مجموعة بيانات ChangeVPR، وهي مجموعة من أزواج الصور الصعبة ذات السيناريوهات البيئية المتنوعة -- بما في ذلك المناطق الحضرية والضواحي والريفية. أظهرت التجارب الواسعة عبر مجموعة متنوعة من قواعد البيانات أن GeSCF يحقق زيادة متوسطة في الأداء بنسبة 19.2% على قواعد البيانات الحالية لاكتشاف تغير المشهد (SCD) وبنسبة 30.0% على مجموعة بيانات ChangeVPR، مما يكاد يضاعف أداء التقنيات السابقة. نعتقد أن عملنا يمكن أن يضع أساسًا متينًا للبحث في اكتشاف تغير المشهد (SCD) القوي والقابل للتعميم.