计算机视觉领域中,图像转换包含图像着色等多种图像生成任务。转换过程中源图像经过编码器编码和生成器解码转换成新图像,该方式实现了对源图像的编辑,在实际应用中具有重要意义。由于源图像和目标图像的差异较大,图像转换模型的处理能力直接影响生成图像质量。本文通过改进图像转换模型的生成结构提高模型的处理能力,以获得更高质量的图像,并基于此进一步拓展以实现可控可编辑的多样化图像转换。现有图像转换模型多数基于条件生成式对抗网络,该网络中生成器通过连续的上采样生成指定大小的图像。简单的生成结构不能完全获取图像的有效信息,导致生成的图像产生伪影或丢失细节。为了解决上述问题,本文受图像分类等图像处理任务中多尺度信息融合的启发,在生成器中使用多尺度信息改进生成结构,提出基于多尺度信息融合的图像转换模型SKGAN（Selective Kernel Generative Adversarial Network）。SK-GAN利用SKBlock（Selective Kernel Block）构建基于残差结构的多尺度信息融合模块Res-SKblock（Residual SKBlock）,在生成器的每个上采样阶段获取和融合多尺度信息,然后以通道级自适应融合的方式将这些信息传递至下一个上采样阶段。这样的方式改善了传统转换模型的生成结构,通过自适应融合的方式控制不同尺度信息的转换,使生成器获得动态感受野,提高了生成图像的质量。此外,本文还在Cycle GAN的上采样阶段增加Res-SKBlock,进一步验证了Res-SKBlock的性能。实验表明,SK-GAN通过Res-SKBlock改进生成器能够在多个数据集上获得较高质量的图像,同时Res-SKBlock不仅在SK-GAN中发挥了良好的性能,还有助于改善Cycle GAN。传统的转换模型中由于单一的源图像输入限制了生成图像的多样性,导致转换模型对同一源图像产生确定的输出,无法进行更深层次的转换。为了使转换模型能够针对源图像产生多样化的结果,本文提出双分支引导图像编码器增强转换模型的多样性生成能力,并基于SK-GAN在草图合成真实感图像的任务中设计带引导图像的转换模型GSK-GAN（Guided SK-GAN）,根据引导图像的颜色和纹理等信息产生对应样式的生成图像。GSK-GAN利用双分支引导图像编码器提取引导图像的特征,通过参数生成器和特征转换层将该特征的信息传递至生成器。相比现有方法中不同编码器之间双向信息传递的方式,本文提出的引导图像信息融合方式不仅保证了图像质量,同时更有利于转换模型的拓展。传统引导图像编码器能使转换模型利用引导图像生成指定样式的图像,但图像样式的变化仍局限于引导图像。本文提出的双分支引导图像编码器通过每个分支对应的权重控制特征信息的转换程度,以此实现在不同引导图像对应样式的生成图像之间进行插值,降低了引导图像对图像样式的限制。此外,双分支引导图像编码器还用于学习引导图像的隐变量分布以获取更多随机样式,进一步提升GSK-GAN生成图像的多样性。实验表明,GSK-GAN不仅能在样式可控的转换过程中生成合理的图像,还能够通过插值和隐变量获得更多的样式。