著名物理学家理查德·费曼说过,“凡我不能创造的,我就不能理解”。如果让人工智能学会创造或是生成真实的图像,那么这将促进人工智能认识真实的世界。然而,如何让人工智能学会创造或生成以假乱真的图像,面临极大的挑战。为了应对该挑战,生成模型因其能够有效地学习真实分布逐渐在众多人工智能算法中脱颖而出,备受研究者关注。在图像生成、文本生成、视频生成等许多应用领域中,生成模型取得了丰硕的成果。本文针对生成模型理论及其在图像生成中的几个关键问题进行了研究,包括提高判别器的识别能力和稳定生成对抗网络的训练过程以获得更好的噪声生成图像,引导生成对抗网络学习更多的信息以获得更好的图像迁移效果,避免判别器过早陷入局部次优状态以获得更好的文本生成图像。相应的展开了五个相关的研究工作,具体如下:(1)针对噪声生成图像任务中判别器识别能力有限以及模型训练不稳定的问题,本文提出了基于样本增强和条件约束的图像生成方法。首先,在训练过程中,为了提高判别器的判别能力,本文设计了融合真样本和假样本训练的混合增强判别器。其次,为了减小引起生成器损失函数值突变噪声所带来的不稳定对训练过程的影响,本文对生成器施加一个病态条件数惩罚。最后,本文将所提出的方法应用于三种不同的损失函数,验证了混合增强判别器和惩罚的泛化性。实验结果表明,该方法通过混合样本和病态条件数惩罚分别提高了判别器的判别能力和稳定了训练的过程,获得了较好的生成图像。(2)针对噪声生成图像任务中由于生成器对输入噪声不够鲁棒以及判别器在训练中判别能力逐渐下降,导致生成图像质量不佳的问题,本文提出了基于降噪自编码约束的图像生成方法。首先,为了提高生成器对输入噪声的鲁棒性,本文提出了一种新的生成器约束,该约束由扰动噪声生成的图像编码与输入噪声差异的F范数组成。然后,为了防止判别器在训练过程中判别能力逐渐下降,本文设计了一种新的样本增强判别器,该样本增强判别器融合了输入噪声及其对应扰动噪声生成的图像与真实图像来完成训练。最后,本文将降噪惩罚和样本增强判别器应用于五个不同的模型中,验证了所提方法的可扩展性。实验结果表明,该方法通过降噪惩罚和样本增强判别器提高了对比模型生成图像的质量。(3)针对噪声生成图像任务中在训练生成对抗网络的过程中有些输入噪声和生成的样本会使生成器和判别器的训练不稳定,影响生成图像质量的问题,本文提出了基于辅助网络调控的图像生成方法。首先,为了分别减小生成器和判别器在训练过程中的不稳定性,本文引入辅助噪声作为输入,并设计了一个可学习的辅助模块。其次,为了让可学习的辅助模块连同生成对抗网络一起训练,本文巧妙地设计了一种可学习的辅助惩罚和一种可学习的辅助判别器,分别用于约束生成器和提高判别器的稳定性。然后将所提方法应用于Hinge和LSGANs损失函数,验证了它的可扩展性。实验结果表明,该方法能够提高GANs训练的稳定性以及在不同程度上提高了对比模型的性能。(4)针对图像迁移任务中因缺少引导生成的辅助信息,造成生成图像细节内容丢失的问题,本文提出了增加辅助域的多约束图像迁移方法。首先,为了引导生成器学习更多的目标域图像的细节内容,本文增加了一个相似的辅助域来引导生成器。然后,为了克服模型映射空间过大的问题,本文设计了一种包含三个域的循环一致性损失函数。最后,为了使所提模型训练更加稳定,本文设计了一种多尺度、多层次的判别器。实验结果表明,该方法通过增加相似辅助域和使用多种约束丰富了生成图像的细节内容,提高了生成图像的质量。(5)针对文本生成图像任务中因判别器容易过早陷入局部次优状态,导致文本生成图像效果不佳的问题,本文提出了面向文本到图像的生成方法。首先,为了防止判别器过早陷入局部次优状态,本文设计了一种新颖的混合损失增强判别器。其次,为了减小该判别器分类识别的敏感性,让它关注语义和结构的变化,本文将假样本(真样本)的损失值加入到真样本(假样本)的损失值中去训练它。在采用Adam优化的过程中,混合了真假样本的损失值增强了信号的传递,进而扰动了判别器参数的更新,阻止判别器过早陷入局部次优状态。然后,本文将混合损失增强判别器应用到两类文本生成图像的任务中,验证了混合损失增强判别器的可扩展性。实验结果表明,该方法能够避免判别器过早陷入局部次优,提高了现存模型生成图像的性能。综上所述,本文围绕生成模型理论及其在图像生成中的应用展开相关的研究工作,提出了五个不同的方法,并将它们成功地应用于噪声生成图像、图像迁移以及文本生成图像任务中,具有一定的理论价值和应用价值。