纹理合成技术出现以来,着力于对自然界各种纹理的重建与生成工作,目标是扩大图像尺寸,使生成结果清晰、细节丰富。纹理合成工作不仅对虚拟手术、VR和多媒体技术等领域的发展起到积极的推动作用,而且可以作为计算机视觉其他下游任务的基础,因此纹理合成具有重要的实践与理论研究意义。采用深度学习的方法完成纹理合成的任务已经被广泛应用,但结构性较强的图像由于其纹理间存在较强的位置关系,使得生成结果存在瑕疵,针对结构性纹理进行研究,提出一种适用于多种纹理类型的生成模型是解决纹理合成任务的重要问题之一。由于生成对抗网络拥有强大的特征提取与重建能力,本文提出了一种基于生成对抗网络的纹理合成算法,解决了扩大图像尺寸并较好的保留图像细节的问题。通过子像素卷积操作、多尺度通道注意力模块提高生成器的性能,利用卷积神经网络计算图像间特征的最优传输距离,计算生成图像与样本之间的像素损失进一步约束图像间的统计数据。本文的主要工作如下:1、根据输入噪声图像生成大尺寸结果图并保留纹理样图细节信息的任务,本文对输入数据以及训练集设置了数据预处理方法。基于生成对抗网络,提出了一种多尺度通道注意力纹理合成模型,网络在不断学习样本数据分布的同时,通过子像素卷积层扩大输入噪声图像的尺寸,多尺度通道注意力模块得到带有注意力权值的通道特征图,进一步增强了生成器的性能。实验结果显示本方法避免了细节丢失、局部失真等问题,能够获得质量较高的生成图像。2、基于多尺度通道注意力纹理合成模型存在的某些样图细节模糊及整体结构偏移的问题,本文提出一种结合最优传输距离的纹理合成模型,解决了生成样本结构偏移问题。切片瓦瑟斯坦距离可以转换到深度特征空间,而且可以捕获更加完整的分布,因此本文采用VGG19网络提取图像的特征图信息,通过计算生成图像与纹理样本之间的切片瓦瑟斯坦距离,进一步约束两幅图像间统计特征的相关性。因此,本文提出了基于最优传输距离的损失模型,具体包括生成对抗损失、像素损失和切片瓦瑟斯坦损失,结果显示该损失模型获得了更好的视觉效果,生成图像在细节和整体结构上都取得了较好的视觉效果。通过实验验证,本文所提方法可以扩大图像尺寸,生成任意大小的样本图像,避免了结构偏移和细节丢失等问题,获得了更好的视觉效果,进一步增加了网络的可解释性。