众所周知,深度学习技术在诸多领域的判别任务上已经取得了飞跃式进展。近五年来,生成对抗网络的提出把图像生成任务也推向了新高度,其中也包括本文的研究主题,文本到图像生成。文本到图像生成是一种条件图像生成任务,它以自然语言书写的文本描述为条件信息,指导或监督生成对抗网络生成符合文本高层语义的高质量图像。生成对抗网络作为目前最受欢迎的生成模型,成为了文本生成图像的主要解决方案。但是,由于生成对抗网络训练困难等内在局限性,文本生成图像不仅面临分辨率、自然度、语义相似度等合成图质量问题,还需面临模型训练不稳定,难以收敛到纳什均衡等难点。本文基于文本生成图像当前的发展状况和面临的主要挑战,提出了以下两个算法:针对合成图分辨率较低且主观视觉质量较差的问题,本文提出了基于嵌套监督的生成对抗网络（Nested-Supervision Generative Adversarial Network,NS-GAN）,把多个判别器侧接在生成器的中间隐层,对深度较大的生成网络的中间层进行对抗监督。另外,为了直接约束合成图某方面的质量目标,本文设计了多目标联合对抗损失,在基础对抗损失之外,还引入了直接作用于生成器的感知损失、提升合成图多样性的类别信息损失和提升合成图与给定文本语义一致性的匹配感知梯度惩罚损失。伴随监督架构提升了训练稳定性,而多目标联合对抗损失则很好地提升了合成图的各项质量要求。针对文本生成图像模型日益复杂化,网络参数量和计算量显著上升的问题,本文提出了基于融合弥补的生成对抗网络（Fusion and Compensation Generative Adversarial Network,FC-GAN）,在生成器前馈过程中多次补偿文本条件信息,将文本和图像特征深度融合,实现条件信息对生成图像特征的调制和监督。融合弥补生成对抗网络为单体型架构,仅包含一个生成器和一个判别器,大大简化了模型结构。另外,为了给出更明确的优化目标,本文设计了两路判别器,一个分支只判别图像质量,另一个分支则专门考察图像和文本的语义匹配度。并且,为了进一步提升合成图视觉细节,本文引入了局部图像损失,让判别器注意鉴别合成图细粒度纹理的真实度和自然度。由于在生成过程中持续进行特征融合和信息弥补,本算法得以基于简单的单体架构合成出256 × 256分辨率图像,且达到了与对比模型相当的语义丰富程度。