Wir beschreiben eine einfache Methode für unsupervisiertes Domänen-Adaptieren, bei der die Diskrepanz zwischen Quell- und Zielverteilung durch den Austausch des niederfrequenten Spektrums einer Domäne mit dem der anderen reduziert wird. Wir demonstrieren die Methode im Kontext der semantischen Segmentierung, wo in einer Domäne (synthetische Daten) reichlich dicht annotierte Bilder verfügbar sind, in der anderen Domäne (reale Bilder) jedoch schwer zu beschaffen sind. Aktuelle state-of-the-art-Verfahren sind komplex; einige erfordern adversariales Optimieren, um den Hauptteil eines neuronalen Netzwerks invariant gegenüber der diskreten Domänen-Auswahlvariablen zu machen. Unsere Methode benötigt zur Domänenalignment keinerlei Training, sondern lediglich eine einfache Fourier-Transformation und ihre Inverse. Trotz ihrer Einfachheit erreicht sie in aktuellen Benchmarks state-of-the-art-Leistung, wenn sie in ein relativ herkömmliches Modell für semantische Segmentierung integriert wird. Unsere Ergebnisse deuten darauf hin, dass selbst einfache Verfahren in der Lage sind, störende Variabilität in den Daten zu kompensieren, die komplexere Methoden nur schwer zu überwinden vermögen.