본 논문에서는 객체 탐지기의 일반화 능력을 향상시키는 데 초점을 맞추고 있다. 특히, 하나의 소스 도메인만을 이용하여 훈련한 후, 여러 미지의 타겟 도메인에서 우수한 성능을 발휘할 수 있는 현실적이면서도 도전적인 시나리오인 단일 도메인 일반화 객체 탐지(Single-Domain Generalized Object Detection, Single-DGOD)를 고려한다. Single-DGOD에 대응하기 위해, 도메인 간 불변 특징(domain-invariant representations, DIR)을 추출하는 것이 중요하다. DIR은 객체의 본질적 특징을 포함하며, 미지 도메인에 대한 탐지기의 강건성을 향상시키는 데 유리하다. 따라서 본 연구는 도메인 관련 레이블(예: 도메인 레이블)과 같은 감독 신호 없이도 도메인 특수성 표현에서 DIR을 분리할 수 있는 방법, 즉 사이클적 분리 자기-교사 학습(cyclic-disentangled self-distillation)을 제안한다. 구체적으로, 입력 시각적 특징에서 사이클적으로 DIR을 추출할 수 있는 사이클적 분리 모듈을 제안한다. 사이클적 연산을 통해 도메인 관련 레이블에 의존하지 않고도 분리 능력을 강화할 수 있다. 이후, 추출된 DIR을 교사(teacher)로 삼아, 자기-교사(self-distillation) 모듈을 설계하여 일반화 능력을 추가로 향상시킨다. 실험에서는 도시 환경 객체 탐지 문제를 대상으로 하였으며, 다섯 가지 기상 조건에서의 실험 결과, 제안한 방법은 기준 방법 대비 유의미한 성능 향상을 보였다. 특히 야간-맑은 날씨 시나리오에서는 기준 방법 대비 3% 이상의 성능 향상을 달성하였으며, 이는 본 방법이 일반화 능력 향상에 효과적임을 시사한다. 데이터와 코드는 https://github.com/AmingWu/Single-DGOD 에 공개되어 있다.