现在手里有两组独立照片：夏景四张，冬景五张。数量、顺序和摆放都不代表配对。我们知道两组各是什么季节，却不知道哪张夏景应当转换成哪张冬景。这类数据减轻了逐图采集与对齐的要求，也留下一个缺口：目标域分布告诉我们冬景通常像什么，没有直接说明这栋房子的冬景是哪一张。

CycleGAN 增加两种互补检查。第一种看外观：夏景转成的候选要像冬景，反方向候选要像夏景。第二种看往返：先把 A 的夏景变成冬景候选，再变回夏景，应恢复最初的 A。这里比较的是每条循环的起点和终点；中间并没有一张指定的冬景照片供逐像素批改。

为什么还要做另一方向？只检查夏→冬→夏，主要约束的是从夏域出发的信息是否可恢复；从冬域出发也做冬→夏→冬，才能把相应的要求加在另一域的数据上。训练因此涉及两个转换器、两种域外观反馈以及双向循环。使用时若只要把一张夏景变成冬景，通常只走夏→冬这一条；训练中的检查部件不必全部留在单次使用路径里。

“变回来连原图都一样了，中间怎么还能错？” 往返成功说明保留了足以恢复起点的信息，却没有单独证明中间图保持了房屋身份。想象一个翻译者把甲的名字换成乙，另一个翻译者懂这套暗号，再把乙换回甲：回得来，但中途说的对象变了。

网络结构、数据中的不对称性及其他约束，可能帮助真实任务得到有用结果；不能由一个逻辑缺口推出方法完全无效。反过来，不能把实践中的好样例提升为“循环必然确定语义对应”的保证。课堂季节图只说明检查的职责，并非实际训练的 CycleGAN 输出。

下一页把这个疑问变成可逐项检查的反例：三栋房子组成一个有限世界，让域外观和往返都通过，却故意把每栋房子配错。