본 논문은 기존 Scene Change Detection (SCD) 방법들이 훈련 데이터에 대해서는 우수한 성능을 보이지만, 새로운 환경이나 시간적 조건에서는 성능이 크게 저하되는 문제점을 지적합니다. 이를 해결하기 위해 일반화 가능한 SCD 프레임워크인 GeSCF를 제안합니다. GeSCF는 사전 훈련된 Segment Anything Model (SAM)을 zero-shot 방식으로 활용하여 초기 가상 마스크 생성 및 기하-의미 마스크 매칭을 통해 사용자 지도 없이도 장면 변화 탐지를 수행합니다. 또한, 일반화 가능성을 평가하기 위한 새로운 지표와 평가 프로토콜을 포함한 GeSCD 벤치마크를 정의하고, 다양한 환경을 포함하는 ChangeVPR 데이터셋을 제시합니다. 실험 결과, GeSCF는 기존 SCD 데이터셋에서 평균 19.2%, ChangeVPR 데이터셋에서 30.0%의 성능 향상을 보이며, 기존 최고 성능을 거의 두 배로 향상시켰습니다.
