Nous proposons un cadre de Recherche d'Architecture Neurale (NAS) pour CycleGAN, destiné à réaliser la tâche de traduction d’images non appariées. L’extension des techniques de NAS précédemment développées pour les Réseaux Générateurs Adversariaux (GAN) vers CycleGAN n’est pas immédiate, en raison des différences de tâche et de l’espace de recherche plus vaste. Nous concevons des architectures basées sur une pile de cellules simples inspirées des ResNet, et développons une méthode de recherche capable d’explorer efficacement cet espace complexe. Nous démontrons que notre cadre, baptisé CycleGANAS, non seulement découvre efficacement des architectures à haut rendement, égales ou supérieures à celles de l’architecture originale de CycleGAN, mais parvient également à atténuer le problème d’imbalanced data grâce à une recherche d’architecture individuelle pour chaque direction de traduction. À notre connaissance, il s’agit du premier résultat de NAS appliqué à CycleGAN, ouvrant ainsi la voie à l’application de la NAS à des structures plus complexes.