Wir entwickeln einen Neural Architecture Search (NAS)-Rahmenwerk für CycleGAN, der die Aufgabe der ungepaarten Bild-zu-Bild-Übersetzung bewältigt. Die Erweiterung bisheriger NAS-Techniken für Generative Adversarial Networks (GANs) auf CycleGAN ist aufgrund der unterschiedlichen Aufgabenstellung und des größeren Suchraums nicht trivial. Wir entwerfen Architekturen, die aus einer Stapelung einfacher, auf ResNet-basierten Zellen aufgebaute Strukturen bestehen, und entwickeln eine Suchmethode, die den großen Suchraum effektiv erkundet. Wir zeigen, dass unser Framework, CycleGANAS genannt, nicht nur hochleistungsfähige Architekturen effektiv entdeckt, die entweder die Leistung des ursprünglichen CycleGAN erreichen oder sogar übertreffen, sondern auch die Datenungleichgewichtsproblematik durch eine individuelle Architektursuche für jede Übersetzungsrichtung erfolgreich adressiert. Soweit uns bekannt ist, handelt es sich hierbei um das erste NAS-Ergebnis für CycleGAN und eröffnet neue Perspektiven für NAS-Ansätze bei komplexeren Strukturen.