Nous décrivons une méthode simple pour l’adaptation de domaine non supervisée, dans laquelle l’écart entre les distributions source et cible est réduit en échangeant le spectre de basse fréquence d’une image avec celui de l’autre. Nous illustrons cette approche dans le cadre du découpage sémantique, où des images fortement annotées sont abondantes dans un domaine (données synthétiques), mais difficiles à obtenir dans un autre (images réelles). Les méthodes actuelles de pointe sont complexes, certaines nécessitant une optimisation adversaire afin de rendre le noyau d’un réseau neuronal invariant par rapport à la variable discrète de sélection du domaine. Notre méthode ne requiert aucune phase d’apprentissage pour réaliser l’alignement des domaines : elle se contente d’une transformation de Fourier et de sa transformée inverse. Malgré sa simplicité, elle atteint des performances de pointe sur les benchmarks actuels lorsqu’elle est intégrée à un modèle standard de découpage sémantique. Nos résultats indiquent que des procédures simples peuvent efficacement atténuer les variations parasites présentes dans les données, même lorsque des méthodes plus sophistiquées peinent à les modéliser.