文本描述引导图像生成是利用一段描述类文本生成与文本内容相互符合的图像,这不仅要求计算机能够准确地理解文本描述中所传达语义信息,而且还要通过语义信息精准的转换成与之相互匹配的图像信息,这其实是一个非常具有挑战性的任务。随着生成对抗网络的出现,越来越多的文本描述引导图像生成方法被提出。虽然说这项工作已经取得了不错的进展,但是在应对具有多个交互对象的复杂场景时,现有的方法所生成的图像往往会出现伪影、对象重叠、对象缺失等问题。同时,现如今的模型采用客观评价指标与主观评价之间存在差异,从而会导致生成模型的性能不佳。因此,本文为进一步提升文本描述引导图像生成模型的性能,展开了几项如下的工作:1)针对生成图像常常出现的伪影、对象重叠和缺失问题,提出了一种结合场景描述的生成对抗网络模型。首先,引入掩模生成网络对数据集进行预处理,为数据集中的对象提供分割掩模向量,将生成的对象分割掩模向量作为约束,通过描述文本训练布局预测网络,得到各个对象在场景布局中的具体位置和大小,并将结果送入到级联细化网络模型,完成图像的生成。其次,将场景布局与图像共同输入到所引入的布局鉴别器中,弥合场景布局与图像之间的差距,得到更加真实的场景布局。2)针对评价指标的不准确问题,提出了结合注意力的无参考图像质量评价模型。首先,采用所设计的注意语义提取网络对图像进行语义特征提取,提取得到多尺度联合特征和高层注意语义特征。其次,设计注意力机制网络,接收高层注意语义特征形成注意力权重信息,并将其结果和多尺度联合特征送入质量预测网络,完成图像质量分数的预测。最后,将预测质量分数与真实质量分数进行标准化后输入所引入的损失函数,弥合预测质量分数与真实质量分数的差距,得到更加准确的图像质量分数。