图像生成和图像翻译在计算机视觉领域中拥有举足轻重的地位,延伸出了越来越多的应用场景,如扩充数据集、图像属性编辑、人脸图像转换等。将面部图像翻译应用于深度伪造技术（Deepfake）是本文的主要工作,Deepfake是指基于深度学习等机器学习方法创建或合成视听觉内容,如图像、音视频、文本等。大多数的换脸技术对于时间和数据集是有严苛的要求,本文在训练数据集的获取方式进行设计,在应用中对网络模型进行剪枝操作,可以快速获取所需的训练数据集,同时缩减网络模型的大小间接提升了网络模型的生成速度。本文基于条件式生成对抗网络的图像翻译为主要研究内容,旨在设计出一种通用准确的人脸面部实时图像翻译的网络模型,用于面部图像的生成,完成实时换脸的场景应用研究,研究工作如下:首先,本文介绍基于面部裁剪图片作于约束的有监督图像翻译模型,以及基于域间图像数据集的无监督图像翻译模型,针对经典的有监督和无监督图像翻译模型的不足进行改进。在文中的有监督图像翻译模型中,生成器网络使用U-net网络结构,添加残差块和跳跃层减少特征损失,鉴别器网络加入多尺度特性,使用多尺度卷积鉴别器,取多个鉴别器在不同尺度结果的平均值作为判别条件。其次在无监督图像翻译模型中,在条件式生成对抗网络中对非成对数据集对偶训练。网络模型基于循环一致性思想,采用两个生成器和两个鉴别器组成两对生成对抗网络,生成器使用U形残差网络结构,鉴别器加入扩张卷积,在参数不变情况下扩大感受野,增强全局信息。实验结果中,有监督的成对数据集图像翻译和无监督的域间图像翻译相较于原模型和传统卷积-反卷积网络模型都有一定程度的提升。在客观FID指标中,改进后的有监督网络模型FID值比原模型降低了2.8%,改进后的无监督网络模型比原模型降低了2.17%。最后本文设计完善了目标人物数据集的制作流程,可以快速获取到网络模型训练的需要的人脸面部数据集。文中提出的图像翻译模型用于人脸图像的生成,同时对训练后模型剪枝操作,减小模型体积方便应用迁移,最后结合文中提出的实时处理单目视频中图像的方法,实现了单目相机中人面部实时图像翻译的应用场景。