変化検出（Change Detection: CD）は、異なる時間に撮影された2つの画像の差異を特定し、領域が変化したかどうかを示す変化マップを出力することを目指しています。より精度の高い変化マップの生成を達成するため、多くの最先端（State-of-The-Art: SoTA）手法では、強力な識別能力を持つ深層学習モデルを設計しています。しかし、これらの手法は依然として低い性能しか得られません。これは、空間情報や物体間のスケーリング変化を無視しているため、境界がぼけたり誤った結果が出ることが原因です。さらに、2つの異なる画像間の相互情報を考慮していないという問題もあります。これらの課題を緩和するために、我々はスケールと関係性に注意を払うシアムネットワーク（Scale and Relation-Aware Siamese Network: SARAS-Net）を提案します。本論文では、シーン変化検出の問題に対処するために効果的に機能する3つのモジュール（関係性に注意を払うモジュール、スケーリングに注意を払うモジュール、クロストランスフォーマー）について提案します。我々のモデルの有効性を確認するために、LEVIR-CD, WHU-CD, DSFIN の3つの公開データセットでテストを行い、SoTAの精度を得ました。我々のコードは以下のURLから入手可能です：https://github.com/f64051041/SARAS-Net。