人脸表情合成一直是一个比较活跃的话题。论文尝试解决面向脸部迁移的人脸合成任务,在保留图中人物已固定的面部动作基础上对当前人物的表情进行编辑,维持与原图的语义相关性。这对算法的控制能力,多场景下合成图像的稳定性都提出了较高的要求。本文在研究现有的关于人脸表情合成相关算法的基础上,提出基于生成对抗网络的人脸表情合成方法,并在Emo Vox Celeb人脸表情数据集和Vox Celeb2人脸视频数据库上分别进行训练和测试,来验证算法的有效性。首先,本文讨论了使用结构信息作为条件的可行性,提出了一种双路径生成对抗网络结构。该结构的生成器有两条编解码生成路径,分别对应结构信息与图像信息,自适应的学习目标条件变量,指导图像信息的合成过程。实验验证了应用双路径生成器与引入结构信息的有效性。其次,本文讨论了在不平衡数据上常规训练结构的缺陷,提出分离式判别器和路径间相互作用的自监督学习策略,该策略充分利用路径中较易学习的结构信息辅助复杂的图像信息的学习过程,通过内部参数制衡,外部显式监督来促进网络的收敛,提升网络的学习能力。最后,本文使用残差掩膜网络来优化生成结果,应用注意力机制,结合原始输入和当前已获得的合成结果得到质量更高的合成图像,完成了人脸表情合成的全流程。