深層学習に基づく変化検出（Change Detection, CD）モデルの訓練は、大規模なラベル付きデータセットに大きく依存している。しかし、建物の変化を含む大規模なバイテムポラル画像を収集することは、変化の希少性および空間的な散在性のため、時間と労力が非常にかかる。現在のデータ不足問題に対処するための主流のアプローチは、変換に基づくグローバルな画像増強技術やコスト感受性アルゴリズムに焦点を当てている。本稿では、生成対抗学習（Generative Adversarial Training）を活用して、多数かつ多様な建物の変化を含むバイテムポラル画像を生成する新たなデータレベルの解決策、すなわち「インスタンスレベル変化増強（Instance-level change Augmentation, IAug）」を提案する。IAugの核となる技術は、ある一方のバイテムポラル画像の適切な位置に合成された建物インスタンスを融合させることである。この目的を達成するために、指定されたレイアウトと整合性を持つ現実的な建物画像を生成する建物生成器を用いる。その後、多様なスタイルを生成された画像に転送する。さらに、建物と背景の自然な合成を実現するために、文脈を考慮したブレンド技術を提案する。本手法により既存のCDデータセットを拡張するとともに、シンプルながら有効なCDモデルであるCDネットワーク（CDNet）を設計した。提案手法（CDNet + IAug）は、2つの建物変化検出データセット（LEVIR-CDおよびWHU-CD）において、最先端の性能を達成した。特に注目すべきは、従来の最先端手法が100％のデータを使用するのに対し、本手法は訓練データの20％のみで同等の結果を達成できることである。広範な実験により、提案するIAugの有効性が検証された。増強されたデータセットは、元のデータセットよりもクラス不均衡のリスクが低く、合成データセット上で従来の学習法が、元データセット上で複数の代表的なコスト感受性アルゴリズムを上回る性能を示した。本研究のコードとデータは、https://github.com/justchenhao/IAug_CDNet にて公開されている。