Nous explorons le cadre de adaptation de domaine zéro-shot entre jour et nuit. Dans le cadre classique d'adaptation de domaine, on entraîne un modèle sur une source et on l'adapte à une cible en exploitant des échantillons non étiquetés provenant de l'ensemble de test. Étant donné que la collecte de données test pertinentes est coûteuse, voire parfois impossible, nous éliminons toute dépendance vis-à-vis des images de test. À la place, nous exploitons une priori visuelle inductive dérivée de modèles physiques de réflexion pour l'adaptation de domaine. Nous intégrons plusieurs détecteurs de contours invariants par rapport à la couleur en tant que couches entraînables dans un réseau neuronal convolutif, et évaluons leur robustesse aux variations d'éclairage. Nous montrons que la couche invariante à la couleur réduit le décalage de distribution jour-nuit dans les activations des cartes de caractéristiques à travers tout le réseau. Nous démontrons une amélioration des performances pour l'adaptation de domaine zéro-shot de jour à nuit, tant sur des jeux de données synthétiques que naturels, dans diverses tâches telles que la classification, la segmentation et la reconnaissance de lieu.