domain generalizationにおいてdata augmentationにより頑健な特徴表現を作るというアプローチはよくあるものだったが，フーリエ変換により操作可能なaugmentationで行ったのが新規性として評価されると考えられる．またdata augmentationだけでなく教師モデルを作ることによる明示的な制約も行い，特徴表現の改善を行なっている．

PACS(写真ー絵画)とoffice-homeデータセット(撮影環境の異なる写真)においてSOTAを更新した．また本手法ではdata augmentationとco-teacher trainingの二つを組み合わせた手法提案となっているが，data augmentationのみやco-teacher trainingのみの場合についても検証し，全て組み合わせた時に最も精度がよくなっていた．

domain generalizationのSOTAを更新しただけではなく，どのようなaugmentationが効いたのかやなぜそうなるのかについて考察がされていた（もともとフーリエ変換ベースのaugmentationだから考察がしやすい）のがよかったと感じた．