基于文本描述生成图像是一个融合了自然语言处理和计算机视觉两大领域的热门研究课题,问题的最终目标是能够根据任意的文本描述生成具有丰富细节的逼真图像。基于文本描述生成图像在自动配图、计算机辅助设计等领域中有着很好的应用前景,同时该问题的研究也面临着很多难题的挑战。近年来,深度学习算法在自然语言处理和图像生成领域有着很好的前景。而不同于一般的图像分类和目标检测等粗粒度的图像理解任务,基于文本描述生成图像问题是高度多模态的。其不仅仅需要识别出物体并学习其属性特征,同时还需要对物体间的位置关系特征甚至对象的动作等特征进行学习和理解。由于生成对抗模型可以输出多模结果的特性以及其易用性好且效果显著的特点,本文引入了生成对抗网络。本文在详细介绍了基于文本描述生成图像问题领域中当前较具代表性的两种模型结构,并综合现有的研究的基础上,提出了一种基于生成对抗网络的根据文本描述生成图像的方法并进行了相应的实验。本文的创新点如下:1.提出了 SG-Stack算法。算法采用场景图作为媒介,使用根据文本描述得到的场景图作为输入生成包含多对象的图像。算法使用场景图代替文本描述作为输入,可以更好地学习到对象间的位置关系特征。SG-Stack采用了堆叠式结构,将原问题分解为两阶段的子问题,降低了每一阶段的生成难度,同时使得最终生成的图像包含更多的细节特征。2.使用PyQt工具包开发了一个基于生成对抗网络的文本描述生成图像系统,该系统实现了模型训练和根据文本描述生成图像的主要功能。同时系统还提供了模型训练参数调整及过程可视化展示功能,帮助用户自行完成模型训练。