Wir schlagen ein gekoppeltes Generatives Adversariales Netzwerk (CoGAN) vor, um eine gemeinsame Verteilung von Bildern aus mehreren Domänen zu lernen. Im Gegensatz zu den bisherigen Ansätzen, die im Trainingsdatensatz Tupel von entsprechenden Bildern aus verschiedenen Domänen erfordern, kann CoGAN eine gemeinsame Verteilung ohne irgendein Tupel von entsprechenden Bildern lernen. Es kann eine gemeinsame Verteilung mit nur Stichproben aus den Randverteilungen lernen. Dies wird durch die Einhaltung einer Gewichteteilungsbedingung erreicht, die die Netzwerkkapazität einschränkt und eine Lösung der gemeinsamen Verteilung gegenüber einer Lösung des Produkts der Randverteilungen favorisiert. Wir wenden CoGAN auf verschiedene Aufgaben des Lernens von gemeinsamen Verteilungen an, darunter das Lernen einer gemeinsamen Verteilung von Farb- und Tiefenbildern sowie das Lernen einer gemeinsamen Verteilung von Gesichtsbildern mit unterschiedlichen Attributen. Für jede Aufgabe lernt es erfolgreich die gemeinsame Verteilung ohne irgendein Tupel von entsprechenden Bildern. Wir demonstrieren auch seine Anwendungen auf Domänenanpassung und Bildtransformation.