Bestehende Methoden zur Domänenanpassung zielen darauf ab, Merkmale zu lernen, die über Domänen hinweg verallgemeinert werden können. Diese Ansätze erfordern typischerweise eine Anpassung des Quellklassifikators an die Ziel-Domäne und behandeln das Gleichgewicht zwischen Quell- und Ziel-Domäne nicht angemessen. In dieser Arbeit nutzen wir statt dessen anstelle eines Klassifikators, der an die Ziel-Domäne angepasst wird, eine trennbare Komponente namens Data Calibrator, um den festen Quellklassifikator dabei zu unterstützen, seine Diskriminierungskraft in der Ziel-Domäne wiederzuerlangen, während die Leistung in der Quell-Domäne erhalten bleibt. Wenn der Unterschied zwischen den beiden Domänen gering ist, reicht die Darstellung des Quellklassifikators aus, um in der Ziel-Domäne gut zu performen, und übertrifft GAN-basierte Methoden bei Zifferndaten. Andernfalls kann die vorgeschlagene Methode synthetische Bilder, die durch GANs generiert wurden, nutzen, um die Leistung zu steigern und führende Ergebnisse sowohl auf Zifferndatensätzen als auch bei der semantischen Segmentierung von Fahrzeug-Szenen erzielt. Unsere Methode zeigt empirisch, dass bestimmte interessante Hinweise, die durch adversarielle Angriffe auf Domänen-Diskriminatoren beeinflusst werden können, eine der Ursachen für die Leistungseinbuße unter Domänenverschiebung darstellen.