高质量的图像生成一直是计算机视觉等领域探索的难点和热点.通过使用循环一致损失,CycleGAN在无监督图像生成任务中取得了良好效果.但是面对不同纹理复杂度的图像生成任务,CycleGAN的循环一致损失系数是默认不变的,使得生成图像存在纹理变形甚至消失等弱点,不能很好地保证生成图像的质量.文中融合图像的空间维度和时间维度来度量图像的纹理复杂性,阐明循环一致损失函数在优化目标函数中的重要性,发现并解释循环一致损失系数的大小与不同纹理复杂度图像生成质量的关联性:纹理复杂度越高,应选择越大的循环一致损失系数;反之,应取越小的循环一致损失系数.文中使用基准和自采集的图像数据集,引入了基于迁移学习的分类准确性等生成图像质量评估指标.实验结果表明,优化选择大小合适的循环一致损失系数,可有效提高生成图像的质量.