图像是人们在社交平台交流的主要方式,但图像在传播过程中很容易受到生成设备和传播途径的影响,造成像素受损,所以针对图像的研究一直是计算机视觉的重要领域。生产对抗网络自2014年出到现在为止一直是机器学习热点内容。生成对抗网络最明显的优点是它是一个迭代的生成神经网络模型,主要包括了两个神经网络,分别是生成器模型与判别器模型。生成器的优点是很容易生成更多的深度模型,缺点是生成器的目的是模仿某一个目标以得到高分,所以生成器就只学到了提升分数的方法,不能提升整个网络的稳定性。由于生成对抗网络的不可控性导致了生成对抗网络的一定的局限性。本课题选定变分自编码器作为生成对抗网络的生成器进行实验。变分自编码器是基于变分推断的深度学习模型。本文将变分自编码器作为生成对抗网络的生成器来增强生成对抗网络训练的稳定性,解决了生成器在生成过程中不能服从隐含变量定向生成,导致翻译过程像素信息丢失,画质被压缩的问题。本论文出了一种新的基于变分自编码器的生成对抗网络结构,优化了原有的网络模型的生成器模型,通过服从分布的隐含变量限制图像翻译过程,得到更佳的图像翻译结果,实现了图像翻译的超高清画质提升。本课题进行了两组对照实验,实验一选定变分自编码器作为实验的生成器模型进行手写数据集生成实验。同时选定深度卷积生成对抗网络模型在相同实验条件下做对比手写数据集生成实验,其中深度卷积生成对抗网络模型是使用卷积神经网络作为生成模型。模型架构优化分为三部分用于对原图编码的编码器改进,为生成两个参数均值μ和标准差σ;用标准差和均值构建图像初始输入编码隐含变量;使用隐含变量通过解码器重建图像。实验二是基于变分自编码器的pix2pix网络和基于U-NET的pix2pix网络进行的图像翻译实验。Pix2pix GAN本质是上图像翻译模型,把一张图像翻译成另外一张图像。可以把输入的图像看作一种条件,给定条件之后根据条件得到变换的效果。生成器模型使用变分自编码器模型,构建服从标准差和均值的隐含变量,使用skip-connection共享更多信息,模型在生成图像时一方面能接受高阶信息也能接受未丢失的低阶信息作为输出。加入Patch-D的优化了判别器D模型使判别器成为了全卷积网络丢掉了全连接层,通过一部分感受野得到判别器D的输出范围。为了保证对应关系增加了损失函数L1,更进一步使得生成模型图像和原有图像高阶抽象特征更相近。实验的对照组pix2pix使用原本的U-NET作为生成器模型G,与本论文出的网络相比,训练速度更慢,生成图像丢失了传递的内容,生成效果并不清晰。