我々は、対応のない画像間変換タスク（例：スタイル転送やクラス転送、ノイズ除去、ぼかし除去、ブロッキングノイズ除去など）に対応するシンプルなアーキテクチャを提案する。本手法は重みが固定された画像オートエンコーダー構造を出発点とする。各タスクに対して、潜在空間で動作するリジッドブロックを学習し、ターゲットドメインに到達するまで反復的に適用する。反復の累積効果（指数的増大）を緩和するため、特定の訓練スケジュールを採用する必要がある。テスト時には、以下のような利点が得られる：パラメータ数が限られている上に、構成的な設計により、変換の強度を反復回数で調整可能である。これは、例えば事前にノイズの種類や量が不明な場合に特に有用である。実験的に、本手法の有効性を多数の変換タスクにおいて概念実証として示した。モデルの性能は、パラメータ数が著しく少ないにもかかわらず、CycleGANと同等またはそれ以上の性能を達成している。