SpotDiffは、ピクセル精度で自己教師付きビジョントランスフォーマーの特徴を再構築する「ユニバーサル・アップサイザー」を初めて利用した変化検知手法である。これにより、従来の二重線形補間に比べ13.8 F1点の改善が観測された。

本手法は、DINOv3（意味的特徴）、AnyUp（アップサイザー）、SAM 3（テキスト誘導領域提案）という三つの凍結済みファウンデーションモデルを組み合わせ、提案領域内でピクセルレベルの余弦類似度を比較するだけで変化を判断する。学習やファインチューニングは不要である。

LEVIR‑CDベンチマークにおいて、ViT‑7Bエンコーダを使用したSpotDiffは82.46 % F1を達成し、最強のトレーニングフリー手法OmniOVCD（80.40 %）を2.06点上回る。第二ベンチマークのマルチクラス設定では、クラス平均IoUが29.34 %で、OmniOVCD（27.60 %）より1.74点、AdaptOVCD（28.75 %）より0.59点優れている。

アップサイザーの効果は、LEVIR‑CDでのアブレーションにより明らかになる。最近傍重みは66.88 %、双線形は68.69 %、AnyUpは82.46 %のF1点を示し、アップサイザーの選択が成果に大きく影響することが示された。

SpotDiffは、共登録済みのRGB光学画像のみを対象としており、マルチスペクトルやSARデータは扱っていない。また、類似度閾値が固定（物体非特異的はτ=0.6、クラス特異的はτ=0.7）であるため、画像条件の変化に対する頑健性が限定される可能性がある。さらに、SAM 3に与えるテキストプロンプトの質によってF1点が最大5.9点まで変動することも報告されている。

総じて、SpotDiffは複数のファウンデーションモデルを組み合わせることで、ラベルフリーでスケーラブルな変化検知を実現し、従来のトレーニングフリー手法を上回るパフォーマンスを示したものの、データ準備やプロンプト設計に対する注意が必要である。