Cet article présente WARLearn, un cadre novateur conçu pour l’apprentissage adaptatif des représentations dans des conditions météorologiques défavorables et adverses. En s’appuyant sur le principe d’invariance utilisé dans Barlow Twins, nous démontrons la capacité à transférer des modèles existants initialement entraînés sur des données recueillies en conditions météorologiques claires afin qu’ils puissent traiter efficacement des situations météorologiques défavorables. Grâce à une formation additionnelle minimale, notre méthode obtient des gains de performance remarquables dans des scénarios caractérisés par la brume et les faibles niveaux d’éclairage. Ce cadre adaptatif étend sa pertinence au-delà des conditions météorologiques adverses, offrant une solution polyvalente pour des domaines présentant des variations dans les distributions des données. En outre, WARLearn s’avère particulièrement précieux dans les situations où les distributions des données subissent des décalages importants au fil du temps, permettant aux modèles de rester à jour et précis. Nos résultats expérimentaux révèlent une performance remarquable : une précision moyenne en moyenne (mAP) de 52,6 % sur un ensemble de données réelles inédites en conditions de brouillard (RTTS). De même, en conditions de faible luminosité, notre cadre atteint une mAP de 55,7 % sur un ensemble de données réelles inédites en faible éclairage (ExDark). Notamment, WARLearn dépasse de manière significative les performances des cadres les plus avancés actuellement disponibles, notamment FeatEnHancer, Image Adaptive YOLO, DENet, C2PNet, PairLIE et ZeroDCE, dans des conditions météorologiques défavorables, améliorant ainsi de manière notable les performances de base dans les cas de brouillard et de faible luminosité. Le code de WARLearn est disponible à l’adresse suivante : https://github.com/ShubhamAgarwal12/WARLearn