La traduction d'images non supervisée vise à apprendre une distribution conjointe d'images dans différents domaines en utilisant des images provenant des distributions marginales de chaque domaine individuel. Étant donné qu'il existe un ensemble infini de distributions conjointes qui peuvent conduire aux distributions marginales données, il est impossible d'en tirer des informations sur la distribution conjointe sans hypothèses supplémentaires. Pour résoudre ce problème, nous faisons l'hypothèse d'un espace latent partagé et proposons un cadre de traduction d'images non supervisée basé sur les GANs couplés (Coupled GANs). Nous comparons le cadre proposé avec des approches concurrentes et présentons des résultats de traduction d'images de haute qualité sur diverses tâches de traduction d'images non supervisées difficiles, notamment la traduction d'images de scènes urbaines, la traduction d'images d'animaux et la traduction d'images de visages. Nous appliquons également le cadre proposé à l'adaptation de domaine et obtenons des performances de pointe sur des jeux de données de référence. Le code source et des résultats supplémentaires sont disponibles à l'adresse suivante : https://github.com/mingyuliutw/unit .