ドメイン適応は、新しい未知の環境での成功にとって重要です。特徴空間に適用される敵対的適応モデルは、ドメイン不変表現を発見しますが、可視化が難しく、ピクセルレベルや低レベルのドメインシフトを捉えきれないことがあります。最近の研究では、サイクル一貫性制約と組み合わせた生成敵対ネットワークが、アライメントされた画像ペアを使用せずにドメイン間の画像マッピングにおいて驚くほど効果的であることが示されています。本稿では、新たな判別学習型サイクル一貫性制約付き敵対的ドメイン適応モデル（Cycle-Consistent Adversarial Domain Adaptation: CyCADA）を提案します。CyCADAはピクセルレベルと特徴レベルの両方で表現を適応させ、タスク損失を活用しながらサイクル一貫性を強制し、アライメントされたペアを必要としません。当モデルは様々な視覚認識や予測設定に適用可能です。複数の適応タスクにおいて新規最良結果を示しており、デジタル分類や道路シーンのセマンティックセグメンテーションにおける合成から実世界への転移も含めています。