La dégénération d’images par méthodes basées sur l’apprentissage a atteint des performances de pointe ces dernières années. Toutefois, la plupart des méthodes existantes entraînent un modèle de dégénération sur des images brumeuses synthétiques, qui peinent à généraliser efficacement aux images brumeuses réelles en raison du décalage de domaine. Pour remédier à ce problème, nous proposons un paradigme d’adaptation de domaine, composé d’un module de translation d’images et de deux modules de dégénération d’images. Plus précisément, nous appliquons tout d’abord un réseau de traduction bidirectionnel afin de réduire l’écart entre les domaines synthétique et réel en traduisant les images d’un domaine vers l’autre. Ensuite, nous utilisons les images avant et après translation pour entraîner les deux réseaux de dégénération proposés, sous une contrainte de cohérence. Dans cette phase, nous intégrons l’image brumeuse réelle dans l’entraînement de la dégénération en exploitant les propriétés de l’image claire (par exemple, le prior du canal sombre et l’homogénéisation des gradients d’image), afin d’améliorer davantage l’adaptabilité au domaine. En entraînant de manière end-to-end les réseaux de traduction d’images et de dégénération, nous obtenons des résultats améliorés pour les deux tâches. Les résultats expérimentaux sur des images synthétiques et des images du monde réel démontrent que notre modèle se distingue favorablement par rapport aux algorithmes de dégénération les plus avancés de l’état de l’art.