画像間変換は、訓練用の対応画像ペアを用いて、入力画像と出力画像の間の写像を学習するという視覚およびグラフィックス分野の問題クラスである。しかし、多くのタスクにおいて、対応する訓練データは得られない。本研究では、対応する例が存在しない状況下で、ソース領域 $X$X からターゲット領域 $Y$Y への画像変換を学習する手法を提案する。我々の目的は、生成器 $G: X \rightarrow Y$G:X→Y を学習することであり、その出力画像 $G(X)$G(X) の分布が、敵対的損失（adversarial loss）を用いてターゲット領域 $Y$Y の分布と区別不能になるようにすることである。この写像は高度に不十分な制約しか持たないため、逆写像 $F: Y \rightarrow X$F:Y→X を導入し、$F(G(X)) \approx X$F(G(X))≈X（およびその逆も同様）を満たすようにするためのサイクル整合性損失（cycle consistency loss）を導入する。対応データが存在しない複数のタスク、例えばスタイル転送、オブジェクトの形態変換、季節変換、写真の品質向上などにおいて、定性的な結果を提示する。また、従来の複数の手法と比較した定量的な評価により、本手法の優位性を示している。