Los métodos de traducción de imagen a imagen han avanzado desde centrarse en la información a nivel de imagen hasta incorporar detalles a nivel de píxel e instancia. Sin embargo, con la restricción a nivel de características, se produce una desviación cuando la red sobre enfatiza las características convolucionales, descuidando la extracción de características de imagen tradicionales. Para abordar esto, propusimos el algoritmo de traducción de imagen multimodal MASSE basado en una Red Singular Squeeze-and-Excitation, combinando GANs y SENet. Utiliza características SVD para ayudar a la SENet a gestionar el grado de escalado. La SENet emplea SVD para extraer características y mejorar la operación de Excitación para obtener nuevos pesos de atención de canal y formar mapas de características de atención. Luego, las características de contenido de la imagen se refinan combinando mapas de características convolucionales y de atención, y las características de estilo se obtienen mediante el generador de estilo. Finalmente, las características de contenido y estilo se combinan para generar nuevas imágenes de estilo. Los experimentos de ablación mostraron que el parámetro SVD óptimo es 128, produciendo los mejores resultados de traducción. Según FID, MASSE supera a los métodos actuales en la generación de imágenes diversas.