自動化された人工知能アルゴリズムおよびリモートセンシング機器の急速な進展により、変化検出（Change Detection: CD）タスクに大きな恩恵がもたらされています。しかし、特に変化特徴のエッジの整合性や内部穴（internal holes）現象といった精密な検出に関する課題は、依然として多くの研究余地を残しています。これらの問題を解決するため、従来の手法で用いられてきたU-Net構造における変化特徴の表現力不足に着目し、変化ガイドネットワーク（Change Guiding Network: CGNet）を提案します。この構造は、エッジの誤検出や内部穴の発生を引き起こす変化特徴の表現不足を是正することを目的としています。豊富な意味情報を持つ深層特徴から生成された変化マップを事前情報として用い、マルチスケール特徴の融合をガイドすることで、変化特徴の表現能力を向上させます。さらに、画素間の長距離依存関係を効果的に捉え、従来の畳み込みニューラルネットワークにおける受容野の不足という課題を克服するため、変化ガイドモジュール（Change Guide Module: CGM）と呼ばれる自己注意機構を提案します。4つの主要なCDデータセットを用いた実験により、CGNetの有効性と効率性を検証し、多数の実験およびアブレーション研究を通じて、本手法の優れた性能が確認されました。コードは今後、GitHubにてオープンソース公開予定です（https://github.com/ChengxiHAN/CGNet-CD）。