生成对抗网络的普及推动了图像转换任务的研究。它有很多有趣的场景,例如转换人脸面部的属性,将粗略草图映射到真实照片以及更改风景图像的季节等,这些场景已经引起计算机视觉界的广泛研究关注。尽管图像到图像的转换任务的研究关注度得到了空前提高,但绝大多数的研究人员都只是专注于两个域之间的图像转换问题,因此如何使图像可以在多域之间进行自由转换具有重大的研究意义。本文提出了一种新的方法来解决多域图像转换问题,与传统的图像转换模型不同,本文所提出的模型将图像及其目标域信息作为输入,并在模型中加入了辅助分类器,这样就能使图像灵活且高效地在多个目标域间自由转换。因此本文所提出的模型不再需要为了学习一个新的映射关系而重新训练整个网络,大大缩短了训练时间。不仅如此,本文还将自我注意力机制引入到所提出网络模型中,旨在生成具有高质量细节的图像并获得与原始图像一致的背景。自我注意力机制能对特征图中所有位置之间的长距离依赖关系进行建模,而不是仅仅限于局部图像区域。同时,我们利用批处理归一化的优势来减少重构损失并生成具有细粒度的纹理细节。另外,我们在网络中采用频谱归一化技术来稳定网络的训练过程。为了验证本文提出的模型的有效性,本文在一个大型公共数据集对模型进行了大量实验,包括定性分析和定量分析。实验结果表明,与其它方法相比,本文提出的模型有更好的表现性能,生成的图像质量更高。所以,本文提出的模型可以很好地适用于多域图像转换任务。