Die Bild-zu-Bild-Übersetzung ist eine Klasse von Aufgaben aus dem Bereich der Computer Vision und Grafik, bei der das Ziel darin besteht, die Abbildung zwischen einem Eingabebild und einem Ausgabebild anhand eines Trainingsdatensatzes aus ausgerichteten Bildpaaren zu erlernen. Für viele Anwendungen ist jedoch ein solches Paartraining nicht verfügbar. Wir stellen einen Ansatz vor, mit dem eine Übersetzung eines Bildes aus einer Quelldomäne $X$X in eine Zieldomäne $Y$Y ohne verfügbare Paare erlernt werden kann. Unser Ziel ist es, eine Abbildung $G: X \rightarrow Y$G:X→Y zu lernen, sodass die Verteilung der Bilder aus $G(X)$G(X) mit der Verteilung $Y$Y mittels eines adversarialen Verlustes nicht mehr unterscheidbar ist. Da diese Abbildung stark unterbestimmt ist, koppeln wir sie mit einer inversen Abbildung $F: Y \rightarrow X$F:Y→X und führen einen Zykluskonsistenzverlust ein, der sicherstellt, dass $F(G(X)) \approx X$F(G(X))≈X (und umgekehrt). Qualitative Ergebnisse werden für mehrere Aufgaben präsentiert, bei denen keine Paartrainingsdaten existieren, darunter Stilübertragung von Sammlungen, Objektumwandlung, Jahreszeitenübertragung, Fotobesserung usw. Quantitative Vergleiche mit mehreren vorherigen Methoden belegen die Überlegenheit unseres Ansatzes.