图像生成是计算机视觉中一个重要的研究领域。随着深度学习技术的发展,图像生成领域涌现出了许多新的研究任务。多对象组合的图像生成是其中一个具有挑战性的任务,它不仅要对多个对象进行图像的跨域转移和生成,还要同时处理好生成图像中多个对象之间复杂的组合关系。针对上述问题与挑战,本文从服装对象入手,通过搭建能够面向多件服装的虚拟试穿图像生成网络来进行多对象组合图像生成的研究。本文提出了一个基于多对象组合的虚拟试穿图像生成网络,该网络能够实现对多个服装对象组合的虚拟试穿图像的生成。具体地,该网络由几何变换模块和组合生成模块两部分构成。其中,几何变换模块根据参考人物的特征对每个目标服装进行形状变换,以生成贴合目标人体的服装翘曲图;组合生成模块根据几何变换模块生成的服装翘曲图和参考人物生成最终的多件服装组合的虚拟试穿图像。在几何变换模块中,本文通过搭建卷积神经网络来对服装变形的参数进行动态地预测;在组合生成模块中,本文选用了条件生成对抗式网络的架构来构建生成模型,以来自边缘分布的多个服装对象为条件,通过对多个服装对象之间组合关系的学习来拟合出多个服装对象的联合分布,从而生成多件服装组合的虚拟试穿图像。此外,为了提高网络对目标服装区域中图像特征的学习能力,本文还在组合生成模块中引入了注意力机制来引导网络的生成过程。为了能有针对性的对上述的虚拟试穿图像生成网络进行训练,本文还提出了一个基于多对象组合任务的服装图像数据集。该数据集由50058张图像构成,这些图像共被分为16686个数据单元。本文在该数据集上评估了上述网络在不同组合任务下的图像生成能力。实验结果表明,与其他方法相比,本文所提出的基于多对象组合的虚拟试穿图像生成网络能够较好地捕捉和学习多个服装对象之间潜在的组合关系,并生成视觉上更真实和合理的组合试穿图像。