La traducción no supervisada de imágenes médicas sigue siendo un desafío porque el desarrollo del modelo a menudo depende de un entrenamiento no emparejado, mientras que la evaluación confiable requiere imágenes de referencia bien emparejadas. Las imágenes de resonancia magnética del cerebro ponderadas por PD y T2 proporcionan un banco de pruebas útil para este problema porque están anatómicamente bien emparejadas y, al mismo tiempo, exhiben características de contraste distintas. Los métodos existentes a menudo solo alinean características de alto nivel, pasando por alto los detalles de textura de bajo nivel que son importantes para la fidelidad estructural. En este trabajo, proponemos el marco de Regularización de Características a Múltiples Escalas y Mezcla de Parches (MSFRPM) basado en una arquitectura de codificador-decodificador. Alinea características de dominio cruzado a través de múltiples escalas para preservar detalles locales y emplea una estrategia de mezcla basada en parches para aumentar los datos de entrenamiento. El marco fue evaluado utilizando un protocolo de aprendizaje no supervisado con una estricta partición de datos. Los resultados experimentales demuestran que MSFRPM logra un rendimiento sólido en relación con ocho métodos de vanguardia. Nuestro enfoque logró mejoras en MAE (6.26 +/- 0.86), PSNR (23.53 +/- 0.92), SSIM (0.83 +/- 0.03) y GMSD (0.100 +/- 0.010). Las evaluaciones cualitativas confirmaron una mejor fidelidad estructural, y la visualización t-SNE validó una mejor alineación de características de dominio cruzado. En general, MSFRPM proporciona un enfoque útil para la traducción de imágenes de PD a T2 no supervisada bajo el actual entorno experimental.