リモートセンシング分野における研究の注目テーマである変化検出は、継続的に発展を遂げてきた。しかし、変化領域と背景との間における周囲要素の複雑さにより、境界詳細の識別が依然として大きな課題となっている。大規模な変化領域の境界を識別する際には位置ずれが生じやすく、逆に小規模な変化対象では境界が不自然に接続されてしまう。こうした問題を解決するため、本稿では「局所化→精緻化」戦略に基づく新たなネットワーク、LRNetを提案する。LRNetは、局所化段階と精緻化段階の2段階構成からなる。局所化段階では、三本のブランチを有するエンコーダが、元画像の特徴量と差分特徴量を同時に抽出し、各変化領域の位置を相互に補完しながら局所化する。特徴抽出過程における情報損失を最小限に抑えるために、広く用いられているマックスプーリングを代替する「学習可能な最適プーリング（Learnable Optimal Pooling: LOP）」を提案。さらに、このプロセスは学習可能であり、ネットワーク全体の最適化に寄与する。異なるブランチ間の特徴量の有効な相互作用を実現し、さまざまなサイズの変化領域を正確に位置特定するため、変化アライメントアテンション（Change Alignment Attention: C2A）および階層的変化アライメントモジュール（Hierarchical Change Alignment: HCA）を導入した。精緻化段階では、局所化段階で得られた結果を、エッジ-領域アライメントモジュール（Edge-to-Area Alignment: E2A）によって変化領域と変化エッジを制約することで修正する。その後、C2Aにより局所化段階で強化された差分特徴量と組み合わせたデコーダが、異なるサイズの変化領域を精緻化し、最終的に変化領域の正確な境界識別を実現する。提案手法LRNetは、LEVIR-CDおよびWHU-CDデータセットにおいて、13の最先端手法と比較して包括的な評価指標において優れた性能を示し、最も正確な境界識別結果を達成した。