最近、状態空間モデルに基づくMambaアーキテクチャは、自然言語処理タスクにおいて顕著な性能を示し、遠隔センシングの変化検出（Change Detection, CD）タスクへの迅速な適用が進んでいます。しかし、多数の既存手法は、Mambaのスキャンモードを直接変更することでグローバルな受容 field を拡大する一方で、密度予測タスク（例えば、二値変化検出）において極めて重要な局所情報の役割を軽視しています。本論文では、二値CDタスクに適したグローバル特徴と局所特徴の有効な統合を実現するモデル「CDMamba」を提案します。具体的には、Mambaが持つグローバル特徴抽出能力と畳み込み層による局所細部の強化を組み合わせる「スケーリングされた残差畳み込みMamba（Scaled Residual ConvMamba, SRCM）ブロック」を設計し、現在のMambaベース手法が詳細な手がかりを欠き、密度予測タスクにおける精密な検出が困難であるという課題を緩和します。さらに、変化検出に求められる二時相特徴間の相互作用の特性を考慮し、他の時系列のグローバル／局所特徴によって動的にガイドされる二時相相互作用を促進する「適応的グローバル・ローカルガイド融合（Adaptive Global Local Guided Fusion, AGLGF）ブロック」を提案します。我々の仮説は、他の時系列特徴のガイドにより、より識別力の高い変化特徴を得られることです。5つのデータセットにおける広範な実験結果から、提案手法CDMambaは現在の最先端手法と同等の性能を達成しており、特にLEVIR+CDおよびCLCDデータセットにおいてF1スコア／IoUがそれぞれ2.10％／3.00％および2.44％／2.91％向上することが確認されました。本研究のコードはGitHubにてオープンソース化されており、https://github.com/zmoka-zht/CDMamba からアクセス可能です。