기존의 딥 러닝 기반 변화 감지 방법들은 강력한 특성 표현을 가진 복잡한 신경망을 정교하게 설계하려고 하지만, 시간에 따른 지표면 변화로 인해 발생하는 보편적인 도메인 시프트를 무시하여 최적의 결과를 생성하지 못합니다. 본 논문에서는 양호한 변화 예측을 위해 이중 시점 이미지 간의 도메인 시프트를 효과적으로 완화하는 크로스-도메인 변화 감지를 위한 종단형 감독된 도메인 적응 프레임워크, 즉 SDACD(Supervised Domain Adaptation for Cross-Domain Change Detection)를 제안합니다. 특히, 우리의 SDACD는 이미지와 특성 측면에서 모두 감독 학습을 통해 협업적 적응을 수행합니다. 이미지 적응은 사이클 일관성 제약 조건을 사용한 생성적 대립학습을 활용하여 크로스-도메인 스타일 변환을 수행하여 양방향 생성 방식으로 도메인 간 차이를 효과적으로 좁힙니다. 특성 적응에 대해서는 도메인 불변 특성을 추출하여 특성 공간에서 서로 다른 특성 분포를 맞추어 크로스-도메인 이미지의 도메인 간 차이를 더욱 줄입니다. 성능 향상을 위해 초기 입력 이중 시점 이미지와 사전 사건 및 사후 사건 도메인에서 생성된 두 개의 이중 시점 이미지를 포함하여 세 가지 유형의 이중 시점 이미지를 결합하여 최종 변화 예측을 수행합니다. 두 벤치마크 데이터셋에서 광범위한 실험과 분석은 우리 제안 프레임워크의 유효성과 보편성을 입증합니다. 특히, 우리의 프레임워크는 여러 대표적인 베이스라인 모델들을 새로운 최신 기록으로 업그레이드시키며, CDD(Cross-Domain Dataset)와 WHU 건물 데이터셋에서 각각 97.34%와 92.36%의 성능을 달성했습니다. 소스 코드와 모델은 공개적으로 https://github.com/Perfect-You/SDACD 에서 제공됩니다.