深度图片是表示场景中物体的深度信息的图片,场景中的深度信息在目标识别、场景识别、语义分割、物体追踪、场景理解等多种视觉任务中都有很重要的作用。传统的深度图像的生成通过传感器发射并接收物体反射回来的探测光的方法获取场景中的物体的深度信息,如TOF相机、利用结构光来获取深度信息的Kinect相机、以及用激光雷达扫描获得场景中深度信息的方法。但是传统的深度图片的获取受设备影响因素较大,获取难度大,且受场景中特定物体的影响会出现部分深度信息缺失的现象。在利用神经网络生成深度图像方面,国内外也有较多的研究,其方法主要分为两种,分别为通过单目图片来生成深度图片和双目图片来生成深度图片。通过双目图片的匹配可以较为容易的获得场景中的深度信息,因此在利用双目图片生成深度图片方面有较多的研究,而在利用单目图片生成深度图片方面的研究较为少。本文针对单目图片生成深度图片的问题,提出了GAN网络的模型的解决方案,在生成模型中,采用卷积层和卷积层下采样的结构提取深度特征,之后采用pixel shuffle上采样和卷积层的结构将提取到的深度特征还原为深度图像。在判别模型中,采用卷积层和下采样的结构对判别网络的输入进行分类,并且在判别网络的最后采用FCN中的1?1卷积层和sigmoid激活函数得到二维的概率矩阵。针对全卷积判别网络提出了二维标签的来替换GAN网络中的一维标签,使得网络能够实现端到端的训练效果,最终网络生成的深度图片其PSNR值都在32以上,最优RMSE为5.309,说明网络生成的是具有一定精度深度图片。