生成对抗网络模型(GAN)是在深度学习中非常重要的模型之一,在图像翻译中也得到极大的应用,因为图像翻译就是两个不同分布数据之间的迁移。对抗生成网络虽然在同维度数据之间迁移的任务(如人脸微表情生成)中能取得不错的效果,但在低维度迁移到高维度的任务中性能表现较差。例如,在图像翻译任务中,低纬度的标签图转换到高维度的高分辨率图片,生成对抗网络模型的性能表现欠佳。为了解决标签图转换高分辨率图片上存在的问题,本文展开了如下的工作:(1)以增加生成器的输入信息的多样性作为出发点,研究了增加标签图多样的方法和寻找多样性比标签图强的替代物作为生成器的输入。(2)提出了一个新的基于条件生产对抗网络的图像翻译模型,该模型由生成器,编码器,判别器三部分组成,生成器的输入为编码器输出的特征图。在训练模型阶段,本文在模型的损失函数中引入感知损失函数,增强模型生成图片的真实性。(3)提出了一个由多个池化层和多上采用层组成的注意力机制结构,该模型能过滤输入特征图中次要特征并留下重要特征。(4)对于标签图转实例图的任务,本文提出了一个新的评价标准,即使用语义分割模型处理生成对抗网络模型生成的图片,并计算语义分割模型预测结果的MIOU。相比于已有的评价指标IS(Inception Score)和FID(Frechet Inception Distance),本文提出新的评价标准能更好地评价场景复杂的图片生成效果。