Les méthodes actuelles de génération d'images basées sur les réseaux antagonistes génératifs cycliques obtiennent de bons résultats dans les tâches de conversion d'images non appariées grâce à l'introduction de modules d'attention universels indépendants, mais augmentent également la complexité du modèle et le temps d'entraînement, tout en étant difficiles à focaliser sur tous les détails des zones clés de l'image, laissant une marge d'amélioration de la qualité de génération. Pour résoudre ces problèmes, nous proposons un réseau antagoniste génératif cyclique guidé par deux mécanismes d'attention spécialisés (Dual-SAG-CycleGAN), utilisant différentes attentions pour guider le générateur et le discriminateur. Tout d'abord, nous proposons un module d'attention spécialisé appelé SAG (Special Attention-mechanism Guided) pour guider le générateur, améliorant la qualité des images générées tout en réduisant la complexité du réseau ; ensuite, nous utilisons pour le discriminateur un module d'attention spécialisé basé sur CAM (Class Activation Mapping) pour supprimer le bruit non pertinent généré par le générateur ; enfin, nous proposons une fonction de perte de cohérence cyclique pour le masque de fond afin de guider le générateur à produire des masques plus précis, facilitant ainsi la conversion d'images. Les expériences montrent que notre méthode réduit le nombre de paramètres du modèle d'environ 32,8 % par rapport aux modèles similaires existants, accélère la vitesse d'entraînement de 34,5 %, avec des valeurs minimales de KID et FID respectivement de 1,13 et 57,54, offrant une qualité d'imagerie supérieure.

Réseaux antagonistes génératifs;Conversion d'images non appariées;Mécanisme d'attention spécialisé;Perte de cohérence cyclique;Génération d'images