El aprendizaje semisupervisado ha ganado una atención significativa en el campo de teledetección debido a su capacidad para aprovechar de manera efectiva tanto un número limitado de muestras etiquetadas como una gran cantidad de datos no etiquetados. Un enfoque efectivo de aprendizaje semisupervisado utiliza muestras no etiquetadas para garantizar la consistencia de la predicción bajo perturbaciones menores, reduciendo así la sensibilidad del modelo al ruido y suprimiendo falsos positivos en tareas de detección de cambios. Este principio subyace a los métodos basados en regularización de consistencia. Sin embargo, aunque estos métodos mejoran la robustez al ruido, también corren el riesgo de pasar por alto cambios sutiles pero significativos, lo que conduce a la pérdida de información y a la falta de detecciones. Para abordar este problema, presentamos un método simple pero eficiente llamado Interpolación de Inflación de Muestras (SII). Este método aprovecha pares de muestras etiquetadas para mitigar la pérdida de información causada por la regularización de consistencia. Específicamente, proponemos una estrategia novedosa de aumento de datos que genera muestras adicionales de cambio combinando muestras de cambio supervisadas existentes con proporciones calculadas de áreas de cambio. Este enfoque aumenta tanto la cantidad como la diversidad de muestras de cambio en el conjunto de entrenamiento, compensando efectivamente la posible pérdida de información y reduciendo las detecciones perdidas. Además, para evitar el sobreajuste, se aplican pequeñas perturbaciones a los pares de muestras generados y sus etiquetas. Experimentos realizados en dos conjuntos de datos públicos de detección de cambios validan la efectividad de nuestro método propuesto. Notablemente, incluso con solo el 5% de los datos de entrenamiento etiquetados, nuestro método logra niveles de rendimiento que se acercan mucho a los de los modelos de aprendizaje completamente supervisado.