Nous présentons une approche d'apprentissage semi-supervisé simple pour les images, basée sur le recoloriage (in-painting) en utilisant une perte adversaire. Les images avec des zones aléatoires supprimées sont présentées à un générateur dont la tâche est de combler le trou, en se basant sur les pixels environnants. Les images recoloriées sont ensuite soumises à un réseau discriminant qui évalue si elles sont réelles (images d'entraînement non modifiées) ou non. Cette tâche agit comme un régulariseur pour l'entraînement supervisé standard du discriminateur. Grâce à notre approche, nous sommes capables de former directement de grands réseaux de type VGG de manière semi-supervisée. Nous évaluons notre méthode sur les jeux de données STL-10 et PASCAL, où elle obtient des performances comparables ou supérieures aux méthodes existantes.