Die Ausbildung von tiefen Lernmodellen für Veränderungserkennung (Change Detection, CD) beruht stark auf großen, annotierten Datensätzen. Die Erhebung umfangreicher bitemporaler Bilddatensätze, die Gebäudeveränderungen enthalten, ist jedoch zeitaufwendig und arbeitsintensiv, da solche Veränderungen sowohl selten als auch spärlich sind. Moderne Ansätze zur Bewältigung des Datendefizits konzentrieren sich hauptsächlich auf transformationsbasierte globale Bildaugmentierung und kostenempfindliche Algorithmen. In diesem Artikel stellen wir eine neuartige datenbasierte Lösung vor, namens Instance-level change Augmentation (IAug), die es ermöglicht, bitemporale Bilder mit zahlreichen und vielfältigen Gebäudeveränderungen durch generative adversarische Trainingsmethoden zu erzeugen. Der Kern von IAug besteht darin, synthetisierte Gebäudeinstanzen an geeignete Positionen eines der bitemporalen Bilder zu integrieren. Dazu wird ein Gebäudegenerator eingesetzt, um realistische Gebäudebilder zu erzeugen, die den vorgegebenen Layouts entsprechen. Anschließend werden verschiedene Stile auf die generierten Bilder übertragen. Wir schlagen zudem ein kontextbewusstes Mischen vor, um eine realistische Komposition aus Gebäude und Hintergrund zu erreichen. Wir erweitern bestehende CD-Datensätze und entwickeln zudem ein einfaches, jedoch leistungsfähiges CD-Modell – das CDNet. Unser Ansatz (CDNet + IAug) erzielt state-of-the-art Ergebnisse auf zwei Datensätzen zur Gebäudeveränderungserkennung (LEVIR-CD und WHU-CD). Interessanterweise erreichen wir vergleichbare Ergebnisse mit nur 20 % der Trainingsdaten, während aktuelle state-of-the-art-Methoden 100 % der Daten verwenden. Umfangreiche Experimente bestätigen die Wirksamkeit des vorgeschlagenen IAug. Unser erweitertes Datenset weist ein geringeres Risiko einer Klassenungleichgewichts auf als das ursprüngliche. Die klassische Lernmethode auf dem synthetisierten Datenset übertrifft mehrere gängige kostenempfindliche Algorithmen, die auf dem ursprünglichen Datenset trainiert wurden. Unsere Code- und Datensammlung ist unter https://github.com/justchenhao/IAug_CDNet verfügbar.