Les méthodes existantes d'adaptation de domaine visent à apprendre des caractéristiques généralisables entre différents domaines. Ces approches nécessitent généralement la mise à jour du classificateur source afin qu'il s'adapte au domaine cible, et ne gèrent pas adéquatement le compromis entre le domaine source et le domaine cible. Dans ce travail, au lieu de former un classificateur destiné à s'adapter au domaine cible, nous introduisons un composant séparable appelé data calibrator, qui aide le classificateur source fixe à retrouver sa capacité discriminante dans le domaine cible, tout en préservant ses performances sur le domaine source. Lorsque la différence entre les deux domaines est faible, la représentation fournie par le classificateur source est suffisante pour obtenir de bons résultats sur le domaine cible, dépassant ainsi les méthodes basées sur les GAN sur des jeux de données de chiffres. Dans le cas contraire, la méthode proposée exploite des images synthétiques générées par des GAN pour améliorer les performances, atteignant ainsi des résultats de pointe sur des jeux de données de chiffres ainsi que sur la segmentation sémantique de scènes routières. Nos expérimentations révèlent empiriquement que certains indices intrigants, qui peuvent être atténués par des attaques adversariales dirigées contre les discriminateurs de domaine, constituent l'une des causes principales de dégradation des performances en cas de décalage de domaine.