Los métodos actuales de generación de imágenes basados en redes generativas antagónicas cíclicas logran buenos resultados en tareas de transformación de imágenes no emparejadas mediante la introducción de módulos de atención universales independientes, pero al mismo tiempo aumentan la complejidad del modelo y el tiempo de entrenamiento, además de que es difícil cubrir todos los detalles de las áreas clave de la imagen, dejando margen para mejorar la calidad de la generación de imágenes. Para abordar estos problemas, proponemos una red generativa antagónica cíclica guiada por mecanismos de atención duales especializados (Dual-SAG-CycleGAN), empleando diferentes mecanismos de atención para guiar el generador y el discriminador. En primer lugar, proponemos un módulo de atención especializado llamado SAG (Special Attention-mechanism Guided) para guiar el generador, que mejora la calidad de las imágenes generadas y reduce la complejidad de la red; luego, para el discriminador se utiliza un módulo guiado de mecanismo de atención especializado basado en CAM (Class Activation Mapping) para suprimir el ruido irrelevante generado por el generador; finalmente, se propone una función de pérdida de consistencia cíclica para la máscara de fondo que guía al generador a crear máscaras más precisas, facilitando mejor la transformación de las imágenes. Los experimentos demuestran que nuestro método reduce la cantidad de parámetros del modelo en aproximadamente un 32,8 % en comparación con modelos similares existentes, acelera el entrenamiento en un 34,5 %, con valores mínimos de KID y FID de 1,13 y 57,54 respectivamente, ofreciendo mayor calidad de imagen.

Redes generativas antagónicas;Transformación de imágenes no emparejadas;Mecanismo de atención especializado;Pérdida de consistencia cíclica;Generación de imágenes