Nous présentons une nouvelle approche pour la détection des points de fuite à partir d’images monoculaires non calibrées. Contrairement aux méthodes de pointe actuelles, nous ne faisons aucune hypothèse a priori sur la scène observée. Notre méthode repose sur un réseau de neurones convolutionnel (CNN) qui n’utilise pas d’images naturelles, mais une représentation sphérique gaussienne issue d’une projection gnomonique inverse des lignes détectées dans une image. Cette approche nous permet de former le modèle à l’aide de données synthétiques, éliminant ainsi la nécessité d’images étiquetées. Notre méthode atteint des performances compétitives sur trois jeux de données standards pour l’estimation de l’horizon. Nous illustrons également plusieurs autres applications potentielles pour lesquelles notre algorithme de détection des points de fuite peut être utilisé.