يُعد تحويل الصورة إلى صورة فئة من مشكلات الرؤية الحاسوبية والرسومات حيث يهدف إلى تعلم الخريطة بين صورة إدخال وصورة خرج باستخدام مجموعة تدريب مكونة من أزواج مُحاذاة من الصور. ومع ذلك، فإن بيانات التدريب المزدوجة غير متوفرة في العديد من المهام. نقدّم منهجية لتعلم تحويل صورة من مجال مصدري $X$X إلى مجال مستهدف $Y$Y في غياب الأمثلة المزدوجة. يهدف هذا العمل إلى تعلّم خريطة $G: X \rightarrow Y$G:X→Y بحيث تكون توزيع الصور الناتجة عن $G(X)$G(X) غير قابلة للتمييز عن توزيع $Y$Y باستخدام خسارة تعارضية (adversarial loss). وبما أن هذه الخريطة تكون ذات قيود منخفضة جدًا، نُقرّنها بخريطة عكسية $F: Y \rightarrow X$F:Y→X، ونُدخل خسارة اتساق الدورة (cycle consistency loss) لضمان أن تكون $F(G(X)) \approx X$F(G(X))≈X (وبدورها $G(F(Y)) \approx Y$G(F(Y))≈Y). ونُقدّم نتائج كمية على عدة مهام لا تتوفر فيها بيانات تدريب مزدوجة، مثل نقل نمط المجموعة (collection style transfer)، وتحويل شكل الكائن (object transfiguration)، ونقل الفصول (season transfer)، وتحسين الصور الفوتوغرافية (photo enhancement)، وغيرها. وتُظهر المقارنات الكمية مع عدة مناهج سابقة تفوق أسلوبنا على تلك الأساليب.