顕著性マップに基づくアテンションをGeneratorに加え、全体の識別を行うDiscriminatorと局所的な識別を行うDiscriminatorで構成され、教師あり学習のパスと教師なし学習のパスを有するSalG-GANを提案した。そのためのデータセットとして、学習のためのSGIT-R及びテストデータのSGIT-Cも構築している。

SGIT-R及びSGIT-Cのデータセットを使用し、複数の評価指標と人間による判定で評価を行い、CycleGANやBicycleGANを上回る結果。

Inpaintingの手法と似ている要素もあると感じるが、教師あり学習と教師なし学習でコンポーネントを共通化したGANを提案し、データセットの構築も行って結果を示したため通ったと考えられる。