基于深度学习的变更检测（Change Detection, CD）模型训练严重依赖大规模标注数据集。然而，由于建筑物变更本身具有稀有性和空间稀疏性，获取大规模包含建筑物变更的双时相影像数据集既耗时又费力。当前解决数据不足问题的主要方法集中于基于变换的全局图像增强技术以及代价敏感学习算法。本文提出一种新颖的数据层面解决方案——实例级变更增强（Instance-level change Augmentation, IAug），通过生成对抗训练机制，生成包含丰富且多样建筑物变更的双时相影像。IAug的核心思想是将合成的建筑物实例精准融合至双时相影像中某一时刻图像的合适位置。为此，我们引入一个建筑物生成器，根据给定的布局生成与之语义一致的逼真建筑物图像，并进一步对生成图像施加多样化的风格迁移。此外，我们还提出了上下文感知融合策略，以实现建筑物与背景之间更自然、真实的合成效果。我们利用IAug对现有CD数据集进行增强，并设计了一种简洁而高效的CD模型——CD网络（CDNet）。实验结果表明，所提出的CDNet结合IAug方法在两个建筑物变更检测数据集（LEVIR-CD和WHU-CD）上均达到了当前最优性能。令人惊讶的是，仅使用20%的训练数据，我们的方法即可获得与当前最先进的方法在使用100%数据时相当甚至更优的性能。大量实验证实了IAug的有效性：所生成数据集相较于原始数据集具有更低的类别不平衡风险；在合成数据集上进行常规训练的表现，优于在原始数据集上使用多种主流代价敏感算法的效果。相关代码与数据集已开源，地址为：https://github.com/justchenhao/IAug_CDNet。