Detectar cambios en imágenes heterogéneas de múltiples fuentes es un gran desafío para los métodos de detección de cambios no supervisados. Los métodos basados en traducción de imágenes, que transforman dos imágenes para que sean homogéneas para su comparación, se han convertido en un enfoque principal. Sin embargo, la mayoría de ellos dependen principalmente de la información de regiones no cambiantes, lo que resulta en redes que no pueden capturar completamente la conexión entre dos representaciones heterogéneas. Además, la falta de información a priori y datos de entrenamiento suficientes hace que el entrenamiento sea vulnerable a la interferencia de píxeles cambiados. En este documento, proponemos una red generativa adversarial orientada a bordes (EO-GAN) para la detección de cambios que traduce indirectamente imágenes utilizando información de bordes, que sirve como un enlace central y estable entre representaciones heterogéneas. El EO-GAN está compuesto por una red de extracción de bordes y una red reconstructiva. Durante el proceso de entrenamiento, nos aseguramos de que los bordes extraídos de imágenes heterogéneas sean lo más similares posible a través de datos complementarios basados en segmentación de superpíxeles. Los resultados experimentales en conjuntos de datos tanto heterogéneos como homogéneos demuestran la efectividad de nuestro método propuesto.