セマンティックイメージ合成（SIS）は、画像間変換のサブクラスであり、セマンティックレイアウトを使用して写実的な画像を生成します。最先端の条件付きジェネレーティブアドバーサリアルネットワーク（GANs）は、このタスクを達成するために大量のペアデータが必要ですが、一般的な非ペア画像間変換フレームワークは比較して性能が劣ります。これは、後者がセマンティックレイアウトを色コード化し、外観の対応関係を学習するのではなく、セマンティックコンテンツを学習するためです。高品質な生成画像が元のセマンティックレイアウトに再分割されるべきであるという前提から、私たちは自己監督型セグメンテーション損失と全体画像ウェーブレットベースの判別を使用した新しい無教師学習パラダイム（USIS）を提案します。さらに、実際の画像の高周波数分布に適合させるために、ウェーブレット領域での新しいジェネレータアーキテクチャを提案します。我々は3つの挑戦的なデータセットでこの手法をテストし、ペアモデルと非ペアモデル間の性能ギャップを埋める能力を示しています。