电子商务的蓬勃发展,带动了服装行业的快速发展,这也造成了互联网中服装商品数据（衣服图像、文本描述等）的爆炸式增长。为了有效解决互联网中服装数据过载的问题,帮助用户快速、准确地搜索理想的服装商品,基于图像的服装检索方法应运而生并被广泛应用在搜索引擎、在线购物等系统中。该方法允许用户简单地上传一张描述其需求的服装图像来检索满意的服装商品。然而在现实场景中,用户很难获取一张完全满足其需求的查询图像。用户更有可能获得接近理想的查询图像,可以通过将查询图像中某些不喜欢的服装属性替换成理想的属性（例如衣服领口从v领改为圆领）来完美匹配用户的搜索需求,从而实现准确的服装检索。为此,在本工作中,我们专注于研究基于属性修改的服装检索问题。尽管目前已有一些先驱工作致力于解决该任务并取得了优异的成果,但是它们忽视了生成模型在增强目标服装商品视觉理解方面的潜力。事实上,生成对抗网络已经在计算机视觉领域的诸多图像生成任务中有着卓越的表现,包括基于文本的图像生成、风格迁移、图像编辑。为了促进目标商品的视觉特征学习,我们利用生成对抗网络作为骨干网络,根据查询图像和用户的属性修改需求直接生成目标商品的模板图像,然后借助生成的模板图像学习表达能力强、区分度高的视觉特征来提高服装检索的性能。然而,基于生成模型的思想不可避免的会遇到以下挑战:1)视觉图像和语义属性从不同层面描述了同一服装商品,两者之间应该共享一些潜在的信息,如何建模视觉-语义的一致性关系来生成合理的模板图像是第一个棘手的挑战;2)粗糙地级联模板图像生成过程和服装检索过程难以取得最优的性能,如何无缝地整合这两个过程并使它们相互学习与促进是面临的第二个挑战;3)理想的模板图像应该满足用户的修改需求同时与目标商品十分相似,如何利用模板图像学习一个鲁棒的距离度量函数也是一个重要的挑战。为了解决以上挑战,我们提出了一个端到端的基于生成式属性修改机制的服装检索方法,模型简称为AMGAN。该方法主要包含两部分:一个生成器和一个判别器。生成器旨在直接合成满足用户属性修改需求的模板图像。其中我们引入视觉-语义一致性约束来桥接服装商品图像信息与属性描述之间的语义鸿沟,以及引入像素层一致性约束来提高模板图像的生成质量。判别器一方面利用语义判别学习来保证正确的属性修改,另一方面借助对抗度量学习来实现服装检索。针对对抗度量学习,我们提出了两种常见的策略:基于二元组的方法和基于三元组的方法。其中,由于生成的模板图片与真实的目标商品十分相似但仍然是伪造的,所以我们将其看作难负例来增强模型的区分能力。通过生成器和判别器的联合对抗训练,我们最终可以得到一个鲁棒的距离度量函数用于服装检索。我们在两个真实数据集上做了大量的实验,实验结果验证了模型的有效性和实时性。