Die Domänenanpassung ist entscheidend für den Erfolg in neuen, unbekannten Umgebungen. Adversarische Anpassungsmodelle, die in Merkmalsräumen angewendet werden, entdecken domäneninvariante Darstellungen, sind jedoch schwer zu visualisieren und scheitern manchmal daran, pixelbasierte und niedrigstufige Domänenverschiebungen zu erfassen. Kürzliche Arbeiten haben gezeigt, dass generative adversarische Netzwerke in Kombination mit zyklischen Konsistenzbedingungen überraschend effektiv bei der Abbildung von Bildern zwischen Domänen sind, sogar ohne die Verwendung ausgerichteter Bilddatenpaare. Wir schlagen ein neuartiges diskriminativ trainiertes Modell zur zyklisch konsistenten adversarischen Domänenanpassung (Cycle-Consistent Adversarial Domain Adaptation) vor. CyCADA passt Darstellungen sowohl auf Pixel- als auch auf Merkmalsniveau an, setzt zyklische Konsistenz durch und nutzt gleichzeitig einen Aufgabenverlust, ohne ausgerichtete Paare zu benötigen. Unser Modell kann in verschiedenen visuellen Erkennungs- und Vorhersageszenarien eingesetzt werden. Wir präsentieren neue Stand der Technik-Ergebnisse in mehreren Anpassungsaufgaben, einschließlich Ziffernklassifikation und semantischer Segmentierung von Straßenbildern, wobei eine Übertragung von synthetischen auf reale Domänen demonstriert wird.