La traduction image-par-image est une catégorie de problèmes en vision et en graphisme dont l'objectif consiste à apprendre l'application entre une image d'entrée et une image de sortie à partir d'un ensemble d'apprentissage composé de paires d'images alignées. Toutefois, pour de nombreuses tâches, de telles données d'apprentissage appariées ne sont pas disponibles. Nous proposons une méthode permettant d'apprendre à traduire une image d'un domaine source $X$X vers un domaine cible $Y$Y en l'absence d'exemples appariés. Notre objectif est d'apprendre une application $G: X \rightarrow Y$G:X→Y telle que la distribution des images issues de $G(X)$G(X) soit indiscernable de la distribution $Y$Y, en utilisant une perte adversaire. Étant donné que cette application est fortement sous-contrainte, nous la couplons avec une application inverse $F: Y \rightarrow X$F:Y→X et introduisons une perte de cohérence cyclique afin de garantir que $F(G(X)) \approx X$F(G(X))≈X (et réciproquement). Des résultats qualitatifs sont présentés sur plusieurs tâches pour lesquelles les données d'apprentissage appariées n'existent pas, notamment le transfert de style, la transformation d'objets, le transfert de saison, l'amélioration d'images, etc. Des comparaisons quantitatives avec plusieurs méthodes antérieures démontrent l'efficacité supérieure de notre approche.