我々は、教師なしドメイン適応のための単純な手法を提案する。この手法では、ソース分布とターゲット分布の乖離を、両者の低周波スペクトルを交換することで低減する。本手法を、あるドメイン（合成データ）では豊富にアノテーションが付与された画像が得られるが、別のドメイン（実画像）では入手が困難なセマンティックセグメンテーションのタスクに適用する。現在の最先端手法は複雑であり、ニューラルネットワークのバックボーンが離散的なドメイン選択変数に対して不変となるようにするため、敵対的最適化を必要とするものも存在する。一方、本手法はドメインアライメントを実行する際に一切の学習を必要とせず、単にフーリエ変換とその逆変換を用いるだけでよい。その単純さにもかかわらず、比較的標準的なセマンティックセグメンテーションモデルに統合した場合、現在のベンチマークにおいて最先端の性能を達成している。本研究の結果から、より洗練された手法が学習に苦労するノイズ的な変動（ヌイズ変動）に対しても、単純な処理手順によって効果的に対処できることが示唆される。