기존 단일 이미지 번역 모델이 생성하는 이미지의 품질 저하와 세부 특징 부족 문제를 해결하기 위해, 본 논문은 다중 스케일 밀집 특징 융합 기반 단일 이미지 번역 모델을 제안한다. 이 모델은 먼저 다중 스케일 피라미드 구조 개념을 차용하여 원본 이미지와 목표 이미지에 대해 다운샘플링을 수행해 다양한 크기의 입력 이미지를 얻는다. 이후 생성기에서 서로 다른 크기의 이미지를 밀집 특징 모듈에 입력하여 스타일 특징을 추출하고, 추출한 스타일 특징을 원본 이미지에서 목표 이미지로 이전한다. 판별기와의 지속적인 대립을 통해 원하는 번역 이미지를 생성하며, 마지막으로 본 논문은 점진적 성장 생성기 훈련 방식을 채택하여 훈련의 각 단계마다 밀집 특징 모듈을 계속 추가함으로써 생성된 이미지가 전역 스타일에서 국부 스타일로 전이되도록 한다. 본 논문은 다양한 무감독 이미지 간 번역 작업에 대해 광범위한 실험을 수행했으며, 실험 결과 기존 방법과 비교하여 훈련 시간은 75% 단축되고 생성 이미지의 SIFID 값은 평균 22.18% 감소했음을 보였다. 본 모델은 소스 도메인과 타겟 도메인 간 분포 차이를 더 잘 포착하여 이미지 번역 품질을 향상시킨다.

단일 이미지 번역;이미지 스타일 전이;생성적 적대 신경망;밀집 특징 융합;다중 스케일 구조