图像到图像翻译是计算机视觉和图像处理方向热门的研究课题,它的目标是在不同的视觉域间学习一种映射关系,将源域的数据分布变换至目标域的数据分布,同时保留源域的内容特征。图像至图像翻译包括多种有趣的计算机视觉和图像处理应用,包括图像风格化、图像超分辨率、图像语义生成、图像修复、图像编辑等。总之,图像到图像翻译是一个广泛、有趣且有影响力的研究课题,包括计算机视觉、计算机图形学和数字图像处理中的若干重要问题,值得广大学者和研究人员进行深入探究。图像到图像翻译在带给工业界和学术界广泛应用前景的同时,仍然保留许多可研究的问题点和有挑战性的突破点。比如内容结构保留问题、翻译图像的形变问题和模型通用性问题等。本文围绕着以上重要问题,展开相应的科学研究,并针对性的提出相应的解决方案。（1）针对图像到图像翻译中生成图像容易丢失源域全局内容结构的问题,本文提出了一种基于内容-风格自适应规范化（CSAN）的特征融合机制,它属于条件规范化层,其核心思想是同时使用源域的内容编码和目标域的风格编码来产生特征调制参数。定性和定量的实验结果表明,我们提出的特征融合机制不仅能够更好的保留源域的全局内容结构,而且能够取得优异的图像翻译结果。（2）针对翻译图像需要产生形变的问题,本文在设计内容-风格自适应规范化层时结合了实例规范化（IN）和组规范化（GN）,并在注意力规范化（AN）的帮助下,使得模型能够灵活的控制翻译图像纹理和形状的变化量。定性和定量的实验结果表明,本文所提出的结合策略能够实现翻译图像的形变和风格迁移,并且整体翻译质量优于最先进的模型。（3）针对翻译模型的通用性问题,本文提出了一个适用于无监督和有监督的图像翻译模型,可以同时实现语义图像生成、图像风格迁移和多模态图像生成。整体的模型架构基于条件生成对抗网络。为了实现语义图像和表现图像的特征融合,提出了语义-表现空间自适应规范化（SA-SPADE）。受到无监督视觉表征学习的启发,一方面,为了约束生成图像中源域不变的内容特征,提出了语义感知的对比损失（SCL）。另一方面,为了迁移目标域特定的风格表现,提出了表现感知的对比损失（ACL）。定性和定量的实验结果表明,提出的通用模型在多种图像翻译任务中都能取得优异的翻译结果。