La traducción de imágenes es un problema clásico en el procesamiento de imágenes y la visión por computadora para transformar una imagen de un dominio a otro mediante el aprendizaje del mapeo entre una imagen de entrada y una imagen de salida. En este artículo se propone una nueva Red Generativa Adversarial Residual Multi-escala (MRGAN) basada en el aprendizaje no supervisado para transformar imágenes entre diferentes dominios utilizando datos no emparejados. En el modelo, se utiliza una arquitectura de doble generador para eliminar la dependencia de las muestras de entrenamiento emparejadas e introducir una red residual en capas multi-escala en los generadores para reducir la pérdida semántica de las imágenes en el proceso de codificación. La arquitectura de Wasserstein GAN con penalización de gradiente (WGAN-GP) se emplea en el discriminador para optimizar el proceso de entrenamiento y acelerar la convergencia de la red. Experimentos comparativos en varias tareas de traducción de imágenes sobre transferencias de estilo y migraciones de objetos muestran que el MRGAN propuesto supera a modelos base sólidos por márgenes significativos.