L'adaptation de domaine non supervisée (UDA) est cruciale pour les applications où l'annotation à grande échelle de données représentatives pose des défis. En particulier, pour le segmention sémantique, elle aide à déployer sur des données réelles du « domaine cible » des modèles formés sur des images annotées d'un « domaine source » différent, notamment un environnement virtuel. À cette fin, la plupart des travaux précédents considèrent le segmention sémantique comme le seul mode de supervision pour les données du domaine source, en ignorant d'autres informations potentiellement disponibles, comme la profondeur. Dans ce travail, nous visons à exploiter au mieux ces informations privilégiées lors de l'entraînement du modèle UDA. Nous proposons un cadre UDA unifié et sensible à la profondeur qui utilise de plusieurs manières complémentaires la connaissance de la profondeur dense dans le domaine source. En conséquence, les performances du modèle de segmentation sémantique formé sur le domaine cible sont améliorées. Notre nouvelle approche atteint en effet des performances de pointe sur différents benchmarks synthétique-à-réel difficiles.