人脸图像合成是计算机视觉中的基本问题之一,其目的是将自然人脸图像从一个目标域,经过算法合成转换到另一个目标域。它在安防系统、数字娱乐、图像修复、去模糊等领域有着广泛的应用。尽管经过几十年的研究,在面对复杂的自然图像时,图像合成模型的表现仍不尽如人意。合成图像面临的主要挑战是真实性、多样性和与输入条件一致性。鉴于近些年生成对抗网络的出现提升了人脸图像合成的结果,本文在人脸图像合成的两个应用方向上分别提出了基于生成对抗网络的转换方法。本文核心贡献如下:1)为了解决在利用编解码器和生成对抗网络用于面部属性编辑的时候,会导致低分辨率结果而且操控面部属性能力有限。本文从选择性细化的角度提出了一种新颖的面部属性编辑生成对抗网络,设计了多尺度注意力归一化模块。该模块能够专注于编辑要更改的图像属性,同时保留面部的细节。具体来说,本文的方法首先学习一个空间变化函数,该函数将高层特征图映射到归一化层所需的参数图。然后,通过结合残差块,将低层特征图添加到调制后的特征图中,从而使属性细化任务更加容易。在Celeb A和季节翻译这两个数据集上的实验结果表明,本文的方法在属性操纵精度和感知质量方面均具有优势。2)为了解决现有的方法通过素描图像难以生成高分辨人脸照片,并且通常包含伪影。本文提出了一种新的合成框架,能够有效地将人脸素描图像转换为真实人脸照片。该框架结合了Cycle GAN模型的生成器架构,并在网络的瓶颈层添加了注意力模块,能够帮助图像关注需要合成的人脸部分。此外,本文以一种对抗的方式迭代生成由低分辨率到高分辨率的图像。通过对生成器的瓶颈层进行监督,首先生成低分辨率的图像,然后在网络中进行隐式细化,生成高分辨率的图像。在CUFS和CUFSF这两个数据集上进行的大量实验,证明了本文的网络在定量和定性上都取得了显著的改善。