深層学習に基づく変化検出（Change Detection, CD）手法は高い成果を上げているが、時間的（チャネルおよび空間的）およびマルチスケールなアライメントの不足により、異なる撮影条件に起因する外部要因（照明変化や視点差）の影響を十分に低減する能力に限界がある。本論文では、不要な要因の影響を低減しつつ、軽量な手法で高精度なCDマップを生成するため、二時相特徴アライメント（Bitemporal Feature Alignment, BiFA）モデルを提案する。具体的には、時間的アライメントの観点から、二時相間の相互作用（Bitemporal Interaction, BI）モジュールを導入し、二時相画像のチャネルレベルでのアライメントを実現する。本研究の直感は、特徴抽出段階でBIを導入することで、照明変化などの干渉要因を効果的に抑制できる可能性があるという点に起因する。同時に、差分フローフィールドに基づくアライメントモジュール（Adaptive Differential Flow Field, ADFF）を提案し、二時相画像間のオフセットを明示的に推定することで、空間的レベルでのアライメントを実現し、異なる視点に起因する不完全な登録問題を緩和する。さらに、マルチスケールアライメントの観点から、座標空間における連続的画像表現を学習することで、より精緻な予測マップを生成し、マルチスケール特徴の正確なアライメントを達成するため、暗黙的ニューラルアライメントデコーダー（Implicit Neural Alignment Decoder, IND）を導入する。実験結果によると、BiFAは6つのデータセットにおいて他の最先端手法を上回り、特にLEVI-R+CDおよびSun Yat-sen University（SYSU）-CDデータセットにおいて、F1スコア（F1）と交差領域率（IoU）がそれぞれ2.70%／3.91%、2.01%／2.94%向上した。また、クロス解像度CDにおいても高いロバスト性を示した。本研究のコードは、https://github.com/zmoka-zht/BiFA にて公開されている。