Con el reciente aumento en el desarrollo de técnicas de aprendizaje profundo, el rellenado de imágenes, el proceso de restaurar regiones faltantes o corruptas en imágenes, ha presenciado avances significativos. Aunque los modelos de última generación son efectivos, a menudo fallan al rellenar áreas faltantes complejas, especialmente cuando hay oclusiones manuscritas presentes en la imagen. Para abordar este problema, se propone un modelo de rellenado de imágenes basado en un residual CycleGAN. El generador toma como entrada la imagen oculta por parches faltantes manuscritos y genera una imagen restaurada, la cual el discriminador luego compara con la imagen original de verdad para determinar si es real o falsa. Un conflicto adversarial entre el generador y el discriminador motiva al modelo a mejorar su entrenamiento y producir una imagen reconstruida superior. Experimentos extensos y análisis confirman que el método propuesto genera imágenes rellenadas con una calidad visual superior y supera a los enfoques de aprendizaje profundo de última generación.