Wir untersuchen bedingte adversarische Netzwerke als eine allgemein gültige Lösung für Aufgaben der Bild-zu-Bild-Übersetzung. Diese Netzwerke lernen nicht nur die Abbildung von Eingabebildern auf Ausgabebilder, sondern erlernen zudem eine Verlustfunktion zur Trainierung dieser Abbildung. Dadurch wird es möglich, einen einheitlichen, generischen Ansatz auf Probleme anzuwenden, die traditionell sehr unterschiedliche Verlustformulierungen erfordern würden. Wir zeigen, dass dieser Ansatz effektiv ist, um Fotos aus Etikettierungskarten zu synthetisieren, Objekte aus Kantenkarten wiederherzustellen und Bilder zu colorieren, unter anderem. Tatsächlich haben seit der Veröffentlichung der mit diesem Paper verbundenen Software pix2pix zahlreiche Internetnutzer (darunter viele Künstler) ihre eigenen Experimente mit unserem System veröffentlicht, was die breite Anwendbarkeit und einfache Handhabung ohne feinabgestimmte Parameter deutlich unterstreicht. Als Gemeinschaft können wir unsere Abbildungsfunktionen nicht länger manuell konstruieren – und dieser Beitrag legt nahe, dass wir auch ohne manuelle Gestaltung der Verlustfunktionen sinnvolle Ergebnisse erzielen können.