Dans cet article, nous étudions le problème de la Découverte de Classes Nouvelles (DCN). La DCN vise à inférer de nouvelles catégories d'objets dans un ensemble non étiqueté en s'appuyant sur les connaissances préalables d'un ensemble étiqueté contenant des classes différentes mais connexes. Les approches existantes abordent ce problème en considérant plusieurs fonctions objectif, généralement impliquant des termes de perte spécialisés pour les échantillons étiquetés et non étiquetés respectivement, et souvent nécessitant des termes de régularisation auxiliaires. Dans cet article, nous nous écartons de ce schéma traditionnel et introduisons une Fonction Objectif UNifiée (FONU) pour découvrir de nouvelles classes, avec l'objectif explicite de favoriser la synergie entre l'apprentissage supervisé et non supervisé. En utilisant une stratégie d'autolabellisation multivue, nous générons des pseudo-étiquettes qui peuvent être traitées de manière homogène avec les étiquettes véritables. Cela conduit à une seule fonction objectif de classification opérant sur les classes connues et inconnues. Malgré sa simplicité, la FONU surpassent l'état de l'art avec une marge significative sur plusieurs benchmarks (~+10% sur CIFAR-100 et +8% sur ImageNet). La page du projet est disponible à l'adresse suivante : https://ncd-uno.github.io.