图像编辑涵盖多种图像处理任务,通常包含在像素层面改变图像内容的操作。大多数基于深度神经网络的深度学习方法是确定性模型,其存在的问题是它们通常只能够处理一种确定的编辑强度,并且整个映射过程是不可控的。现实生活中的变化通常是不确定的。如人脸老化是一个渐进的过程,用户想要获得不同年龄的人脸图像（输出可控）,而不仅是某个确定年龄的人脸图像。再如在图像去噪任务中,不同图像的噪声水平是不同的,用户希望网络能够自适应处理多种噪声水平（输入可控）,而不仅是只能处理某种确定的噪声水平。基于网络中控制编辑强度的变量被隐式嵌入在参数集合中,且可以被提取和利用的假设,本文主要研究基于深度神经网络的可控图像编辑,以网络执行图像编辑的程度为主线,依次从特定程度、离散中间程度、连续中间程度三个层面,对其问题描述和模型框架展开研究。1.针对特定程度的图像编辑不可控的问题,本文揭示了特定程度图像编辑网络中构造模块的降维与表征能力的关系,以及构造模块的可堆叠性与图像编辑的可控性之间的关系。本文发现单层自编码器所具备的可堆叠的特性,包括在降维方面的特性—能够捕捉到更加符合数据空间结构的降维模式,检测到数据中的重复结构,隐含层能够学习到对于视觉任务重要的特征等;和自编码器中隐含层节点数与本征维度之间存在的关联—当隐含层节点数设置为输入的本征维度时取得较好的性能。2.针对包含有监督的、离散变化过程的问题,提出了基于堆叠广义自编码器的渐进编辑算法,构建了输出离散可控的图像编辑框架,实现了网络对输出的离散控制。通过引入离散中间编辑程度的监督信息,使网络更容易从局部最优解过渡到全局最优解,在实现输出离散可控的同时,也能够更好的完成原任务。自编码器的特性和其可堆叠性使其更加适合处理离散可控的图像编辑问题。3.针对包含弱监督的、连续变化过程的问题,提出了基于自适应实例正则化的网络调控算法,构建了输出连续可控的图像编辑框架,实现了网络对输出的连续控制。通过利用不同编辑程度之间隐含的关联先验,建立隐式的连续中间编辑状态的监督信息,从而实现对图像编辑强度的连续调节,增加模型在输出端的可控性。卷积神经网络学习到的复杂参数表达和其参数的灵活性,使其更加适合处理连续可控的图像编辑问题。4.针对网络无法按需对输入进行编辑的问题,提出了基于空间特征变换的输入自适应网络调控算法,构建了输入连续可控的图像编辑框架,实现了网络对输入的连续控制。通过约束并建立更加均匀的中间编辑状态的监督信息,网络能够学习到从图像到其所需编辑程度的映射,进一步增加模型在输入端的自适应性,最终同时实现输出可控的连续图像编辑和输入可控的自适应图像编辑。通过以上研究,本文提出的方法涵盖了可控图像编辑问题框架中,图像编辑程度由少到多、由离散到连续,中间监督信息从有到无等各种情况。图像编辑的目的是学习从一个图像域到另一个图像域的映射,而可控图像编辑的目的则是在完成两个图像域之间的转换的同时,找出该映射的方向。受限于深度学习对训练数据的敏感性,在样本有限的情况下,其优势难以充分体现。本文提出的可控图像编辑在中间编辑程度的样本有限、甚至缺失的情况下,学习到两个图像域之间的变化,并建立从一个图像域逐渐转换到另一个图像域的过程,降低对训练数据的依赖,实现连续的域适应。多种视觉任务的应用证明了本文提出的方法的应用价值,及在图像编辑问题中的普遍适用性。