真实世界图像中包含的丰富信息可以分解为材质,纹理,几何以及光照等。其中材质属性可用于重建虚拟世界中的场景,或应用于新场景以生成新的逼真图像;而纹理信息可以提高图像应用的精度与效率。近年来深度学习在计算机图形学与视觉领域的显著进展为图像内容分解带来了新的解决思路,其中生成对抗网络（GAN）已经逐渐发展成为主流的图像生成模型。本文主要研究GAN在图像内容分解方面的两个具有代表性的应用:单图像材质恢复和单图像高光去除恢复纹理。基于GAN的单张图像材质恢复算法。现有基于学习的方法大多只考虑图像中每个像素的损失,这限制了其恢复局部特征如局部光滑区域的能力。另一些基于GAN的方法对不同的材质参数使用了多个对抗损失,从而增加了网络的复杂性。本文提出了一种新的端到端GAN框架,为材质参数设计了一个统一的对抗损失。同时,引入了一个考虑了多尺度特征的注意力模块来更好的提高材质贴图的全局质量与局部细节。此外还结合了材质贴图损失来抑制对高光的过度关注。与多个最近的先进算法进行定量定性比较证明了本文算法的优越性。多项消融实验证明了本文设计的网络结构的有效性。本文还开发了一个实时渲染引擎来验证本文方法的实用性。基于GAN的单张图像高光去除算法。现有方法大多基于双色反射模型,但这些方法对于真实场景图像的高光去除效果较差,结果会有伪影并且无法区分高光与纯白颜色的差异。本文提出了基于GAN的单图像高光去除方法,可以实时生成去除高光之后的漫反射图像,有效保留了图像的纹理信息。为了更好的训练网络,本文创建了一个大规模的合成数据集来增加先验知识。通过添加微调模块提高生成结果的精度,还引入了感知损失来提高图像的感知质量。实验结果表明本文提出的方法在合成和真实数据上表现更优。通过多个消融实验证明了本文网络结构的有效性。本文提出的两种新的生成对抗网络模型算法可以有效解决图像内容分解问题,提高了材质参数估计的准确性和图像高光的去除效果,具有一定的实际应用价值。