Die Fernerkundungsbasierte Änderungserkennung ist entscheidend für das Verständnis der Dynamik der Erdoberfläche und ermöglicht die Überwachung von Umweltveränderungen, die Bewertung menschlicher Einflüsse, die Vorhersage zukünftiger Trends sowie die Unterstützung von Entscheidungsprozessen. In dieser Arbeit stellen wir einen neuartigen Ansatz zur Änderungserkennung vor, der off-the-shelf, nicht beschriftete Fernerkundungsbilder im Trainingsprozess nutzen kann, indem ein vorab trainiertes Denoising Diffusion Probabilistic Model (DDPM) – eine Klasse generativer Modelle, die in der Bildsynthese eingesetzt werden – verwendet wird. DDPMs erlernen die Verteilung der Trainingsdaten, indem sie Trainingsbilder schrittweise unter Verwendung einer Markov-Kette in eine Gauss’sche Verteilung überführen. Während der Inferenz (d. h. beim Sampling) können sie eine vielfältige Menge an Beispielen erzeugen, die der Trainingsverteilung näherkommen, ausgehend von Gauss’schem Rauschen, und erreichen dabei state-of-the-art-Ergebnisse in der Bildsynthese. In dieser Arbeit liegt jedoch unser Fokus nicht auf der Bildsynthese, sondern auf der Nutzung des Modells als vorab trainierter Merkmalsextraktor für die nachgeschaltete Anwendung der Änderungserkennung. Konkret feinjustieren wir einen leichtgewichtigen Änderungsklassifikator unter Verwendung der Merkmalsdarstellungen, die durch das vorab trainierte DDPM generiert werden, zusammen mit Änderungsetiketten. Experimente an den Datensätzen LEVIR-CD, WHU-CD, DSIFN-CD und CDD zeigen, dass die vorgeschlagene DDPM-CD-Methode die bestehenden state-of-the-art-Verfahren für die Änderungserkennung hinsichtlich F1-Score, IoU und Gesamtgenauigkeit erheblich übertrifft und damit die entscheidende Rolle vorab trainierter DDPMs als Merkmalsextraktoren für nachgeschaltete Anwendungen unterstreicht. Wir stellen sowohl den Quellcode als auch die vorab trainierten Modelle unter https://github.com/wgcban/ddpm-cd zur Verfügung.