원격 탐사 분야에서 변화 탐지(change detection)는 연구의 핫스팟으로서 지속적인 발전과 진보를 이뤄왔다. 그러나 변화 영역과 배경 사이의 복잡한 주변 요소로 인해 경계 세부 정보의 구분이 여전히 중요한 한계로 남아 있다. 대규모 변화 영역의 경계를 구분할 경우 위치 오차가 발생하고, 소규모 변화 대상의 경우 경계가 연결되는 현상이 나타난다. 이러한 문제를 해결하기 위해 본 논문에서는 위치 추정-개선 전략( localization-then-refinement strategy)을 기반으로 하는 새로운 네트워크인 LRNet을 제안한다. LRNet은 두 단계로 구성된다: 위치 추정 단계와 개선 단계이다. 위치 추정 단계에서는 세 가지 분기(branch)를 갖는 인코더가 원본 이미지 특징과 그 차이 특징을 동시에 추출하여 각 변화 영역의 위치를 상호작용적으로 정확히 추정한다. 특징 추출 과정에서의 정보 손실을 최소화하기 위해 기존에 널리 사용되는 최대 풀링(max-pooling)을 대체할 수 있는 학습 가능한 최적 풀링(learnable optimal pooling, LOP)을 제안한다. 또한 이 과정은 학습 가능하며 네트워크 전체의 최적화에 기여한다. 서로 다른 분기에서 추출된 특징 간의 효과적인 상호작용과 다양한 크기의 변화 영역을 정확히 위치 추정하기 위해 변화 정렬 주의 메커니즘(change alignment attention, C2A)과 계층적 변화 정렬 모듈(hierarchical change alignment module, HCA)을 도입하였다. 개선 단계에서는 위치 추정 단계에서 얻은 결과를 에지-영역 정렬 모듈(edge-area alignment module, E2A)을 통해 변화 영역과 변화 경계를 제약함으로써 보정한다. 이후 C2A를 통해 위치 추정 단계에서 강화된 차이 특징을 활용한 디코더(decoder)가 다양한 크기의 변화 영역을 정밀하게 개선하여 최종적으로 변화 영역의 정확한 경계 구분을 달성한다. 제안된 LRNet은 LEVIR-CD 및 WHU-CD 데이터셋에서 13개의 최신 기술 대비 종합 평가 지표에서 우수한 성능을 보이며, 특히 가장 정밀한 경계 구분 결과를 제공하였다.