非監督画像対画像変換は、異なるドメインの画像の周辺分布を用いて、それらの画像の同時分布を学習することを目指しています。周辺分布から到達可能な同時分布の集合が無限であるため、追加の仮定なしでは周辺分布から同時に分布について何も推論することはできません。この問題に対処するために、共有潜在空間の仮定を導入し、Coupled GANs（カップルドGAN）に基づいた非監督画像対画像変換フレームワークを提案します。提案したフレームワークと競合する手法を比較し、街頭シーンの画像変換、動物の画像変換、顔の画像変換など、様々な困難な非監督画像変換タスクにおける高品質な画像変換結果を示します。また、提案したフレームワークをドメイン適応にも適用し、ベンチマークデータセットで最先端の性能を達成しました。コードと追加結果は https://github.com/mingyuliutw/unit で入手可能です。