随着移动互联网的发展,视觉内容相关的消费需求与日俱增,促使视觉内容生成技术成为了计算机视觉领域的研究热点。视觉内容生成技术旨在将输入信号转换为视觉数据,可划分为非条件式生成和条件式生成两种范式,非条件式生成模型从噪声数据出发合成目标域样本,而条件式生成模型需要融合输入端的条件信息,以可控的方式合成特定要求的视觉内容,在实际应用场景中更具生成创造性。相应地,条件式生成模型也面临着更多的挑战:单一图像输入条件下,生成模型需要将图像从源域转换到目标域,涉及自然图像生成中结构信息保留、语义信息理解等通用性问题;进一步地,面对合成需求多样化的场景,典型如人体、人脸图像生成,模型则需要融合多个条件控制生成图像的属性,面临异源信息匹配、耦合特征分离的挑战。针对上述问题,本文以可控高质量图像合成为目标,开展基于对抗学习的条件式图像生成研究,取得了四个方面的创新性成果,具体如下:（1）针对单一图像条件下的结构信息保留问题,本文以图像超分辨率任务为切入点,提出自我调节的图像生成骨干网络,该骨干网络通过堆叠自调节模块构建,将输入图像作为条件项来调制网络深层特征,高效地融合输入图像的结构信息。此外,该研究提出了基于流场的域自适应退化网络,其捕获域之间的空间形变用于估计自然场景下带噪低分辨率图像,以处理自然场景中的低分辨率图像的复杂退化过程。该项研究在基准数据集和真实场景数据集上验证模型效果,实现了高质量且结构一致的图像超分结果,并在多个公开数据集上取得了先进的性能。（2）针对单一图像条件下的语义信息理解问题,本文提出空间注意力感知生成器来建模图像中的物体分布,用于无监督图像显著性物体翻译任务,旨在在复杂图像背景中转换图像主体的类别属性。此项研究以单一自然图像为输入条件,着重解决两个基本问题:如何利用图像类别信息定位物体区域及如何利用空间注意力先验在域之间转换图像主体。本文提出超像素卷积网络和空间注意力感知生成器,前者利用图像类别信息捕获图像中的物体分布响应图,提供空间注意力先验,后者利用注意力先验信息辅助检测图像中显著性物体,并转换图像显著性物体的类别。该研究首次将空间注意力先验应用于图像翻译任务,实现同时定位与转换图像中的显著性物体,并在多个类别转换任务中完成实验验证,生成高度真实的类别转换图像。（3）针对多条件下的异源信息匹配问题,本文以多人脸表情迁移任务为切入点,提出统一的适应模型将任意源人脸的关键点信息匹配至目标人脸,迁移任意面部表情至目标人脸。该研究提出的算法包含人脸关键点适应模块及几何信息感知生成器两个模块。人脸关键点适应模块在关键点特征空间里高效地迁移面部表情,减小源身份和目标身份之间的脸部轮廓的差异,而几何信息感知生成器侧重于融合转换后的面部关键点及目标身份参考图像。该项研究实现在多个身份之间迁移面部表情,生成具有照片般真实感的人脸再现图像。（4）针对多条件下的耦合特征分离问题,本文提出自监督特征解耦模块,分离人脸图像中的身份特征和位姿特征,实现自监督人脸再扮演任务。本文设计了两个形变自编码解耦人脸图像中的身份特征和位姿特征,涉及融合多帧图像得到身份图像的人脸身份编码器及提取人脸位姿特征的人脸位姿编码器。同时,本文提出用于融合解耦后人脸特征的条件式生成器,用于生成特定身份及位姿的人脸再现图像。该项研究在大规模人脸数据集上进行了人脸再扮演实验,展示了本章方法从大量无标注视频中学习自然地重现面部图像的能力,可以生成高真实度的人脸再现图像,并取得了优异的自监督人脸再扮演性能。