본 논문은 원격 감지 이미지 변화 탐지(CD) 분야의 주요 과제인 고해상도, 포괄적인 오픈소스 데이터셋 부족 및 다양한 변화 유형에 대한 견고한 성능 달성의 어려움을 해결하기 위해, 5,000개의 이미지 쌍으로 구성된 대규모 서브미터 CD 데이터셋 JL1-CD를 제시한다. 또한, 새로운 Origin-Partition (O-P) 전략을 제안하고 이를 Multi-Teacher Knowledge Distillation (MTKD) 프레임워크에 통합하여 CD 성능을 향상시킨다. O-P 전략은 변화 영역 비율(CAR)에 따라 훈련 세트를 분할하고 각 하위 집합에 대해 전문화된 교사 모델을 훈련하며, MTKD 프레임워크는 이러한 교사 모델들로부터 상호 보완적인 지식을 단일 학생 모델로 증류하여 추가적인 추론 비용 없이 다양한 CAR 시나리오에서 향상된 탐지 결과를 얻는다. 제안된 MTKD 접근 방식은 2024 "Jilin-1" Cup 대회에서 예선 1위, 결승 2위를 차지하며 성능을 입증했고, JL1-CD 및 SYSU-CD 데이터셋에 대한 광범위한 실험을 통해 다양한 네트워크 아키텍처 및 매개변수 크기를 가진 CD 모델의 성능을 일관되게 향상시켜 새로운 최첨단 결과를 달성했다. 코드와 데이터셋은 https://github.com/circleLZY/MTKD-CD 에서 이용 가능하다.