El marco profesor-estudiante se ha utilizado en la adaptación de dominio no supervisado, que transfiere el conocimiento aprendido de un dominio fuente etiquetado a un dominio objetivo no etiquetado. Sin embargo, este marco enfrenta dos desafíos serios: la brecha de dominio, que causa degradación del rendimiento, y las pseudoetiquetas ruidosas del profesor, que tienden a confundir a los estudiantes. En este documento, proponemos un método de Profesor Consistente y Contrastivo con Transformada de Fourier (CCTF) para abordar estos desafíos para la detección de objetos de alto rendimiento en diferentes dominios. Para mitigar el impacto negativo de los cambios de dominio, utilizamos la transformada de Fourier para intercambiar los componentes de baja frecuencia de las imágenes del dominio fuente y objetivo, reemplazando las entradas del dominio fuente con la imagen transformada, reduciendo así las brechas de dominio. Además, fomentamos que las ramas de localización y clasificación del profesor realicen predicciones consistentes para minimizar el ruido en las pseudoetiquetas generadas. Finalmente, se emplea el aprendizaje contrastivo para resistir el impacto del ruido residual en las pseudoetiquetas. Después de extensos experimentos, demostramos que nuestro método logra el mejor rendimiento. Por ejemplo, nuestro modelo supera a los métodos anteriores en un 3.0% en FoggyCityscapes.