图像的根本作用在于保存、交流信息,作为人类视觉感官的基础,如何快速生产利用图像,一直是人们在逐渐进步的方向。随着计算机的普及,数字图像生成的方法到目前为止基本可以分为两大类,一类是传统数字图像技术,在场景构建或风格转换任务中,人们针对环境、组成的不同分别设计不同的计算方法进行处理,使用数字图像技术进行几何处理、图像增强和图像重建等技术,此后许多计算机视觉中的应用都可以被抽象表示为将输入图像转换成符合实际应用需求的输出图像。而随着国内外深度学习成果的逐渐积累,另一类图像生成通过计算机视觉技术,利用这些在计算机中留存的大量图像所包含的海量的关于真实世界的信息,学习到可以使用计算机进行表达的图像视觉特征。从传统图形学到自编码器到深度学习,图像生成的方式逐渐变得更加多元、灵活和高效,特别是随着计算机视觉领域深度学习的快速发展。生成对抗网络为图像生成过程带来改变的同时,同样也面临一些棘手的问题,一是训练过程中生成模型和判别模型性能不平衡,二是有限样本导致的模式崩溃现象。高度敏感的超参数选择使得生成对抗网络的训练变得十分困难,而有限样本导致生成网络崩溃,使生成模型倾向于只生成具有某一种风格的或是部分呈马赛克碎片状的图片。迄今为止针对上述问题提出改进的设想,例如多组生成对抗网络联合训练,渐进式生成对抗网络等,很少有考虑到利用同级特征在生成模型和判别模型间流动方面的改进。针对以上问题,本课题提出三点改进,首先在生成对抗网络前增加自编码器模型对数据进行特征提取,以特征提取的方式对生成对抗网络的输入数据进行预处理;第二,提出了同级特征在生成模型和判别模型间跃层连接的策略;第三,使用基于注意力机制的上采样方法代替反卷积。以上三点改进的提出都是在最大程度上利用特征提高训练的稳定性和生成图像的质量和多样性,同时尽量减少计算压力,特征预提取和跃层连接这两种改进在整个模型中的层次中呈递进关系,使用训练数据集训练一个自编码器作为特征提取器,选择自编码器的隐含输出作为下一步将要训练的生成对抗网络中生成模型的训练输入,并在生成对抗网络中增加从生成模型到判别模型的跃层连接和能够大量降低参数量的基于注意力机制的上采样方法。其中,采用对图像进行特征预提取的方式能够提高生成模型对图像中特征中分布的归纳能力,在以MNIST和ISR为训练数据的实验中,生成图像的多样性因此获得了改善;生成模型和判别模型之间的跃层连接即保证了生成对抗网络能够学习高频细节,同时也保留了图像中的低频细节,损失函数收敛结果表明该结构能够在训练过程中保持生成模型和判别模型之间的平衡,加快模型的收敛速度;而基于注意力机制的上采样方法在上采样阶段产生的计算压力仅为反卷积的六分之一,由于反卷积在生成对抗网络中的大量应用,对减少整个模型的体量来说十分显著。