Ce travail porte sur l'extension de bases de données consti-tuées d'images de surfaces extérieures d'avion prises par des drones autonomes. Ces données sont utilisées pour en-traîner et tester des algorithmes d'inspection visuelle au-tomatique. L'efficacité de l'apprentissage dépend de la re-présentativité et de la quantité d'exemples. Les bases de données disponibles ne comportent qu'une faible quantité d'éléments considérés comme des défauts qui sont pour-tant les plus critiques. Pour pallier ce manque, il est pro-posé d'utiliser également des images semi-synthétiques. Des générations de défauts sont envisagées avec de ré-seaux antagonistes et des méthodes classiques de traite-ment d'images. Ces défauts sont ensuite introduits de ma-nière réaliste dans des images acquises par des drones. Mots Clef Apprentissage, images semi-synthétiques, retouche numé-rique, réseaux antagonistes génératifs. Abstract This work focuses on the extension of image databases of aircraft outer surfaces taken by autonomous drones. Those databases are used to train and test visual automatic inspection algorithms. The effectiveness of learning depends on the representativeness and the quantity of examples. Available databases have only a small amount of elements considered as defects which are however the most critical. To overcome this lack, it is proposed to use also semi-synthetic images. Generations of defects are envisaged with antagonistic networks and conventional methods of image processing. Then the defects are introduced realistically into drone-acquired images.