Als eine wichtige, jedoch herausfordernde Aufgabe im Bereich der Erdbeobachtung befindet sich die Veränderungserkennung (Change Detection, CD) derzeit inmitten einer technologischen Revolution, bedingt durch die zunehmende Anwendung von Deep Learning. Dennoch leiden bestehende, auf Deep Learning basierende CD-Methoden weiterhin an zwei zentralen Problemen: 1) unvollständiger zeitlicher Modellierung und 2) räumlich-zeitlicher Kopplung. In Anbetracht dieser Herausforderungen schlagen wir eine expliziter und feiner abgestimmte Modellierung der Zeit vor und etablieren hierauf aufbauend einen Paar-zu-Video-Veränderungserkennungsrahmen (Pair-to-Video Change Detection, P2V-CD). Zunächst wird aus dem Eingabebildpaar ein sogenannter „Pseudotransitions-Video“ mit reichhaltiger zeitlicher Information konstruiert, wodurch die Veränderungserkennung als Problem der Videoverstehens formuliert wird. Anschließend werden zwei entkoppelte Encoder eingesetzt, um räumlich und zeitlich die Art der Transition zu erkennen; diese Encoder sind lateral miteinander verbunden, um sich gegenseitig zu fördern. Zudem wird die Technik der tiefen Überwachung (deep supervision) angewandt, um den Trainingsprozess zu beschleunigen. Experimentelle Ergebnisse zeigen, dass die P2V-CD-Methode gegenüber anderen state-of-the-art-Verfahren in Bezug auf visuelle Qualität sowie Bewertungsmaße signifikant besser abschneidet, wobei ein moderater Modellumfang und vergleichsweise geringer Rechenaufwand vorliegen. Umfassende Visualisierungen der Merkmalskarten verdeutlichen, wie unsere Methode über eine einfache Kontrastierung von zweibildlichen (bi-temporalen) Aufnahmen hinauswirkt. Der Quellcode ist unter https://github.com/Bobholamovic/CDLab verfügbar.