Les méthodes d'apprentissage profond supervisé ont montré des résultats prometteurs pour la tâche d'estimation de profondeur monoculaire ; cependant, l'acquisition de la vérité terrain est coûteuse et sujette à du bruit ainsi qu'à des inexactitudes. Bien que des ensembles de données synthétiques aient été utilisés pour contourner ces problèmes, les modèles résultants ne généralisent pas bien aux scènes naturelles en raison du décalage de domaine inhérent. Les approches adverses récentes pour l'adaptation de domaine ont bien performé dans l'atténuation des différences entre les domaines source et cible. Cependant, ces méthodes sont principalement limitées à un cadre de classification et ne s'échelonnent pas bien pour les architectures entièrement convolutionnelles. Dans ce travail, nous proposons AdaDepth - une stratégie d'adaptation de domaine non supervisée pour la tâche de régression pixel par pixel d'estimation de profondeur monoculaire. L'approche proposée surmonte les limitations mentionnées ci-dessus grâce à a) l'apprentissage adversarial et b) l'imposition explicite de la cohérence du contenu sur la représentation cible adaptée. Notre approche non supervisée se compare favorablement aux autres approches établies dans les tâches d'estimation de profondeur et obtient des résultats d'état de l'art dans un contexte semi-supervisé.