Bestehende bildgenerierende Methoden basierend auf zyklischen generativen gegnerischen Netzwerken erzielen durch die Einführung unabhängiger universeller Aufmerksamkeitsmodule gute Ergebnisse bei Aufgaben der nicht gepaarten Bildumwandlung, erhöhen jedoch gleichzeitig die Modellkomplexität und die Trainingszeit und erschweren es, alle Details der Schlüsselbereiche im Bild zu beachten, wodurch noch Verbesserungspotenzial bei der Bildgenerierung besteht. Zur Lösung dieser Probleme wird ein zyklisches generatives gegnerisches Netzwerk mit dual gesteuerten speziellen Aufmerksamkeitsmechanismen (Dual-SAG-CycleGAN) vorgeschlagen, welches für Generator und Diskriminator unterschiedliche Aufmerksamkeitsmechanismen einsetzt. Zunächst wird ein sogenanntes SAG (Special Attention-mechanism Guided) spezielles Aufmerksamkeitsmodul zur Steuerung des Generators vorgeschlagen, das die Qualität der generierten Bilder verbessert und gleichzeitig die Netzwerkkomplexität reduziert; anschließend wird beim Diskriminator ein auf CAM (Class Activation Mapping) basierendes spezielles Aufmerksamkeitsmodul eingesetzt, um vom Generator erzeugtes irrelevantes Rauschen zu unterdrücken; schließlich wird eine zyklische Konsistenzverlustfunktion für Hintergrundausschnitte vorgeschlagen, die den Generator anleitet, genauere Masken zu erzeugen und so die Bildumwandlung besser unterstützt. Experimente zeigen, dass die vorgeschlagene Methode im Vergleich zu bestehenden Modellen die Anzahl der Modellparameter um etwa 32,8 % reduziert, die Trainingsgeschwindigkeit um 34,5 % erhöht und minimale KID- und FID-Werte von 1,13 beziehungsweise 57,54 erreicht, wodurch eine höhere Bildqualität erzielt wird.

Generative gegnerische Netzwerke;Nicht gepaarte Bildumwandlung;Spezieller Aufmerksamkeitsmechanismus;Zyklische Konsistenzverlustfunktion;Bildgenerierung