La composition d’images joue un rôle courant mais essentiel dans le traitement photo. Pour obtenir des images composites réalistes, il est nécessaire d’ajuster l’apparence et le style visuel de l’objet principal afin qu’il soit cohérent avec l’arrière-plan. Les méthodes actuelles fondées sur l’apprentissage profond pour l’harmonisation des images composites apprennent directement un réseau de transformation d’image du composé vers l’image réelle, sans explorer explicitement la cohérence de style visuel entre l’arrière-plan et l’objet principal. Afin d’assurer une cohérence de style visuel entre ces deux composantes, nous traitons dans cet article l’harmonisation d’image comme un problème de transfert de style. Plus précisément, nous proposons un module simple mais efficace, appelé Normalisation d’Instance Adaptative Sensible aux Régions (RAIN), qui formule explicitement le style visuel de l’arrière-plan et l’applique de manière adaptative à l’objet principal. Grâce à cette approche, notre module RAIN peut être intégré comme un composant plug-and-play dans les réseaux existants d’harmonisation d’image, offrant des améliorations significatives. Des expériences étendues sur les jeux de données standards d’harmonisation d’images démontrent la supériorité de la méthode proposée. Le code est disponible à l’adresse suivante : {https://github.com/junleen/RainNet}.