La détection de changements, un domaine de recherche majeur en télédétection, joue un rôle fondamental dans l’observation et l’analyse des transformations de surface. Malgré les progrès significatifs réalisés grâce aux méthodes basées sur l’apprentissage profond, l’exécution d’une détection de changements à haute précision dans des scénarios télédetectés complexes en espace et en temps reste un défi important. L’émergence récente des modèles fondamentaux, dotés de capacités puissantes d’universalité et de généralisation, offre des solutions prometteuses. Toutefois, la fermeture du fossé entre les données et les tâches demeure une difficulté majeure. Dans cet article, nous proposons Time Travelling Pixels (TTP), une nouvelle approche qui intègre les connaissances latentes du modèle fondamental SAM dans la détection de changements. Cette méthode traite efficacement le décalage de domaine lors du transfert de connaissances générales ainsi que le défi de la représentation des caractéristiques homogènes et hétérogènes des images multitemporelles. Les résultats de pointe obtenus sur le jeu de données LEVIR-CD démontrent l’efficacité de TTP. Le code est disponible à l’adresse suivante : \url{https://kychen.me/TTP}.