El radar de ondas milimétricas montado en vehículos se usa ampliamente en sistemas de conducción autónoma por su capacidad de observar escenas de carretera en todo momento y en cualquier clima. Sin embargo, los datos recopilados por el radar de ondas milimétricas se ven seriamente afectados por la existencia de desorden. Este desorden resultará en falsas detecciones durante la detección de objetos. Para abordar este problema, es necesario un red de extracción de características con supresión de desorden. Este artículo propone un nuevo método de supresión de desorden para imágenes de Rango-Ángulo (RA) de ondas milimétricas basado en una red generativa adversarial de ciclo-consistencia (CycleGAN). El generador del método puede ser utilizado como la red de extracción de características de la detección de objetos. El método tiene como objetivo convertir imágenes desordenadas en imágenes libres de desorden mediante aprendizaje no supervisado. En este método, se introduce una compuerta de atención (AG) en el generador, un mecanismo de atención espacial que mejora la capacidad del modelo para aprender automáticamente a enfocarse en las características de los objetivos y suprimir el desorden del fondo. Además, se agrega el término de pérdida de consistencia del objetivo a la función de pérdida para mantener la integridad del objetivo mientras se suprime el sobreajuste del entrenamiento de la red. El conjunto de datos público CRUW se utiliza para evaluar el rendimiento del método propuesto, que se compara y analiza con métodos tradicionales y métodos de aprendizaje profundo. Los resultados experimentales muestran que la relación señal-ruido máxima (PSNR) y la similitud estructural (SSIM) del método propuesto alcanzan 39.846 y 0.990, respectivamente.