本論文では、蛍光顕微鏡におけるモダリティ転送のための軽量CycleGANモデルを提案します。このモデルは、特に非対になったデータセットの一般的な課題に対処することを目的としています。従来のU-Netベースの生成器でのチャンネル二倍化戦略の代わりに、固定チャンネルアプローチを導入することで、学習可能なパラメータを4180万から約9000に大幅に削減し、優れた性能を発揮します。また、このGANを実験およびラベリング品質の診断ツールとしても利用できることを示しています。高品質な画像で訓練した場合、GANは最適な画像化の特性を学習し、生成された出力と新しい実験画像との間の偏差から、フォトブリーチングやアーチファクト、不正確なラベリングなどの問題を明らかにすることが可能になります。このようにして、モデルは顕微鏡のワークフローにおける実験の正確性と画像の忠実性を検証する実用的なツールとなることが示されます。