従来の生成対抗ネットワーク（GAN）モデルが赤外画像生成において「全体的にはリアルだが対象の局所的な細部がぼやける」という核心的な問題に対し、学習可能なガウスカーネル動的注意を融合した改良型GANモデルを提案する。従来の改良モデルは対象領域に固定重みを用いており、対象の重要なサブ領域を区別できず、対象細部の適合精度が不足している。これに対し、適応型多重ガウスカーネルを設計し、学習によりガウスカーネルの平均μ、分散σ、回転角θを自律的に学習し、マスクの濃淡に応じて動的に変化する重みマップを生成し、対象の重要な細部に正確に焦点を当てる。ガウスカーネル関数の重みと空間分布を生成器の損失に組み込み、「敵対損失による全体的なリアルさ制約＋マスク誘導ガウス加重L1損失による局所制約＋多重ガウスカーネル空間分布損失による対象整合」という最適化目標を構築し、生成器に勾配空間の選択性を与え、モデルの注意を高精度な重要領域の適合に導く。可視光・赤外画像対をデータセットとして実験した結果、ガウス動的カーネル改良モデルは生成された赤外画像のピーク信号対雑音比（PSNR）および構造的類似性指数（SSIM）をそれぞれ3dBと0.06向上させ、従来の固定加重戦略の限界を効果的に補い、赤外小サンプル対象拡張や赤外画像強調などの分野で非常に実用的な価値を持つことが示された。

pix2pixモデル;学習可能なガウスカーネル;動的加重;赤外画像生成;マスク誘導