リモートセンシング変化検出（RSCD）は、複数時相のリモートセンシング画像を分析することで、特定領域における変化を同定する技術であり、地域開発のモニタリングにおいて極めて高い価値を有している。従来のRSCD手法は、空間領域における文脈的モデリングに注力し、関心のある変化を強調することを目的としている。これにより、一定の性能向上が達成されているものの、周波数領域における知識の不足がモデル性能のさらなる向上を制限している。本論文では、周波数領域および空間領域の両方を活用する二重領域学習（Dual-domain Learning）に基づくRSCDネットワークであるDDLNetを提案する。特に、入力となる二時相画像から離散コサイン変換（DCT）を用いて周波数成分を抽出し、関心のある変化を強化するための周波数領域強化モジュール（FEM）を設計した。また、時空間特徴を統合して変化表現の空間的詳細を再構成するための空間領域復元モジュール（SRM）も提案している。3つのベンチマークRSCDデータセットを用いた広範な実験により、提案手法が最先端の性能を達成し、精度と効率のトレードオフにおいてより優れたバランスを実現することを示した。本研究のコードは、https://github.com/xwmaxwma/rschange にて公開されている。